TW202414429A - 評估疾病負荷及進展之系統及方法 - Google Patents
評估疾病負荷及進展之系統及方法 Download PDFInfo
- Publication number
- TW202414429A TW202414429A TW112121494A TW112121494A TW202414429A TW 202414429 A TW202414429 A TW 202414429A TW 112121494 A TW112121494 A TW 112121494A TW 112121494 A TW112121494 A TW 112121494A TW 202414429 A TW202414429 A TW 202414429A
- Authority
- TW
- Taiwan
- Prior art keywords
- individual
- lesion
- specific
- hotspot
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 317
- 201000010099 disease Diseases 0.000 title claims abstract description 167
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 167
- 238000011282 treatment Methods 0.000 claims abstract description 155
- 230000004044 response Effects 0.000 claims abstract description 53
- 230000003902 lesion Effects 0.000 claims description 651
- 206010028980 Neoplasm Diseases 0.000 claims description 219
- 230000000875 corresponding effect Effects 0.000 claims description 196
- 101000892862 Homo sapiens Glutamate carboxypeptidase 2 Proteins 0.000 claims description 158
- 102100041003 Glutamate carboxypeptidase 2 Human genes 0.000 claims description 157
- 230000011218 segmentation Effects 0.000 claims description 127
- 201000011510 cancer Diseases 0.000 claims description 107
- 238000002600 positron emission tomography Methods 0.000 claims description 106
- 210000001519 tissue Anatomy 0.000 claims description 106
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 105
- 206010060862 Prostate cancer Diseases 0.000 claims description 104
- 210000000056 organ Anatomy 0.000 claims description 92
- 238000002591 computed tomography Methods 0.000 claims description 78
- 210000000988 bone and bone Anatomy 0.000 claims description 77
- 238000003384 imaging method Methods 0.000 claims description 77
- 238000010801 machine learning Methods 0.000 claims description 77
- 230000002799 radiopharmaceutical effect Effects 0.000 claims description 75
- 239000012217 radiopharmaceutical Substances 0.000 claims description 74
- 229940121896 radiopharmaceutical Drugs 0.000 claims description 74
- 230000008859 change Effects 0.000 claims description 71
- 230000015654 memory Effects 0.000 claims description 67
- 206010027476 Metastases Diseases 0.000 claims description 57
- 238000009206 nuclear medicine Methods 0.000 claims description 56
- 239000011230 binding agent Substances 0.000 claims description 54
- 238000002560 therapeutic procedure Methods 0.000 claims description 54
- 210000002307 prostate Anatomy 0.000 claims description 50
- 238000011002 quantification Methods 0.000 claims description 49
- 239000003814 drug Substances 0.000 claims description 44
- 230000004083 survival effect Effects 0.000 claims description 44
- 230000009401 metastasis Effects 0.000 claims description 43
- 238000010521 absorption reaction Methods 0.000 claims description 40
- 206010061289 metastatic neoplasm Diseases 0.000 claims description 40
- 210000001165 lymph node Anatomy 0.000 claims description 39
- 238000012636 positron electron tomography Methods 0.000 claims description 37
- 229940124597 therapeutic agent Drugs 0.000 claims description 37
- 210000004185 liver Anatomy 0.000 claims description 35
- 210000004197 pelvis Anatomy 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 32
- 208000010658 metastatic prostate carcinoma Diseases 0.000 claims description 28
- 230000001394 metastastic effect Effects 0.000 claims description 26
- 150000001875 compounds Chemical class 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000001926 lymphatic effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000004393 prognosis Methods 0.000 claims description 23
- 210000000689 upper leg Anatomy 0.000 claims description 22
- 210000001991 scapula Anatomy 0.000 claims description 21
- 210000004872 soft tissue Anatomy 0.000 claims description 21
- 239000003795 chemical substances by application Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 230000000392 somatic effect Effects 0.000 claims description 18
- 206010061818 Disease progression Diseases 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 17
- 210000004556 brain Anatomy 0.000 claims description 17
- 210000000038 chest Anatomy 0.000 claims description 17
- 210000000709 aorta Anatomy 0.000 claims description 16
- 239000002131 composite material Substances 0.000 claims description 16
- 230000005750 disease progression Effects 0.000 claims description 16
- 210000003049 pelvic bone Anatomy 0.000 claims description 15
- 210000000115 thoracic cavity Anatomy 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 14
- 210000003484 anatomy Anatomy 0.000 claims description 13
- 238000001959 radiotherapy Methods 0.000 claims description 13
- OLWVRJUNLXQDSP-RYUDHWBXSA-N (2s)-2-[[(1s)-1-carboxy-5-[(6-fluoropyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)C1=CC=C(F)N=C1 OLWVRJUNLXQDSP-RYUDHWBXSA-N 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000013179 statistical model Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 11
- ZDZOTLJHXYCWBA-VCVYQWHSSA-N N-debenzoyl-N-(tert-butoxycarbonyl)-10-deacetyltaxol Chemical compound O([C@H]1[C@H]2[C@@](C([C@H](O)C3=C(C)[C@@H](OC(=O)[C@H](O)[C@@H](NC(=O)OC(C)(C)C)C=4C=CC=CC=4)C[C@]1(O)C3(C)C)=O)(C)[C@@H](O)C[C@H]1OC[C@]12OC(=O)C)C(=O)C1=CC=CC=C1 ZDZOTLJHXYCWBA-VCVYQWHSSA-N 0.000 claims description 10
- GZOSMCIZMLWJML-VJLLXTKPSA-N abiraterone Chemical compound C([C@H]1[C@H]2[C@@H]([C@]3(CC[C@H](O)CC3=CC2)C)CC[C@@]11C)C=C1C1=CC=CN=C1 GZOSMCIZMLWJML-VJLLXTKPSA-N 0.000 claims description 10
- 229960000853 abiraterone Drugs 0.000 claims description 10
- HJBWBFZLDZWPHF-UHFFFAOYSA-N apalutamide Chemical compound C1=C(F)C(C(=O)NC)=CC=C1N1C2(CCC2)C(=O)N(C=2C=C(C(C#N)=NC=2)C(F)(F)F)C1=S HJBWBFZLDZWPHF-UHFFFAOYSA-N 0.000 claims description 10
- 229950007511 apalutamide Drugs 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- BMQGVNUXMIRLCK-OAGWZNDDSA-N cabazitaxel Chemical compound O([C@H]1[C@@H]2[C@]3(OC(C)=O)CO[C@@H]3C[C@@H]([C@]2(C(=O)[C@H](OC)C2=C(C)[C@@H](OC(=O)[C@H](O)[C@@H](NC(=O)OC(C)(C)C)C=3C=CC=CC=3)C[C@]1(O)C2(C)C)C)OC)C(=O)C1=CC=CC=C1 BMQGVNUXMIRLCK-OAGWZNDDSA-N 0.000 claims description 10
- 229960001573 cabazitaxel Drugs 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 10
- 229960003668 docetaxel Drugs 0.000 claims description 10
- 239000003112 inhibitor Substances 0.000 claims description 10
- 210000002751 lymph Anatomy 0.000 claims description 10
- 229960002621 pembrolizumab Drugs 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 239000002287 radioligand Substances 0.000 claims description 10
- 210000003625 skull Anatomy 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000012216 imaging agent Substances 0.000 claims description 9
- 210000004373 mandible Anatomy 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- FAQDUNYVKQKNLD-UHFFFAOYSA-N olaparib Chemical compound FC1=CC=C(CC2=C3[CH]C=CC=C3C(=O)N=N2)C=C1C(=O)N(CC1)CCN1C(=O)C1CC1 FAQDUNYVKQKNLD-UHFFFAOYSA-N 0.000 claims description 9
- 229960000572 olaparib Drugs 0.000 claims description 9
- HMABYWSNWIZPAG-UHFFFAOYSA-N rucaparib Chemical compound C1=CC(CNC)=CC=C1C(N1)=C2CCNC(=O)C3=C2C1=CC(F)=C3 HMABYWSNWIZPAG-UHFFFAOYSA-N 0.000 claims description 9
- 229950004707 rucaparib Drugs 0.000 claims description 9
- 230000009278 visceral effect Effects 0.000 claims description 9
- RSTDSVVLNYFDHY-IOCOTODDSA-K 2-[4-[2-[[4-[[(2S)-1-[[(5S)-5-carboxy-5-[[(1S)-1,3-dicarboxypropyl]carbamoylamino]pentyl]amino]-3-naphthalen-2-yl-1-oxopropan-2-yl]carbamoyl]cyclohexyl]methylamino]-2-oxoethyl]-7,10-bis(carboxylatomethyl)-1,4,7,10-tetrazacyclododec-1-yl]acetate lutetium-177(3+) Chemical compound [177Lu+3].OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)C1CCC(CNC(=O)CN2CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC2)CC1)C(O)=O)C(O)=O RSTDSVVLNYFDHY-IOCOTODDSA-K 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 claims description 8
- 238000002512 chemotherapy Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 210000001981 hip bone Anatomy 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 8
- 210000000952 spleen Anatomy 0.000 claims description 8
- JBHPLHATEXGMQR-LFWIOBPJSA-N vipivotide tetraxetan Chemical compound OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](CC1=CC=C2C=CC=CC2=C1)NC(=O)[C@H]1CC[C@H](CNC(=O)CN2CCN(CC(O)=O)CCN(CC(O)=O)CCN(CC(O)=O)CC2)CC1)C(O)=O)C(O)=O JBHPLHATEXGMQR-LFWIOBPJSA-N 0.000 claims description 8
- 239000003098 androgen Substances 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 238000007469 bone scintigraphy Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 7
- 210000003734 kidney Anatomy 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 229940127046 pluvicto Drugs 0.000 claims description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 210000003932 urinary bladder Anatomy 0.000 claims description 7
- 108010066465 177Lu-PSMA-617 Proteins 0.000 claims description 6
- 206010009944 Colon cancer Diseases 0.000 claims description 6
- 208000001333 Colorectal Neoplasms Diseases 0.000 claims description 6
- 108010037516 PSMA-617 Proteins 0.000 claims description 6
- 230000002280 anti-androgenic effect Effects 0.000 claims description 6
- 239000000051 antiandrogen Substances 0.000 claims description 6
- 210000004705 lumbosacral region Anatomy 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- -1 pembrolizumab Chemical compound 0.000 claims description 6
- 238000011471 prostatectomy Methods 0.000 claims description 6
- 210000000664 rectum Anatomy 0.000 claims description 6
- 210000001625 seminal vesicle Anatomy 0.000 claims description 6
- 210000005070 sphincter Anatomy 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 201000010653 vesiculitis Diseases 0.000 claims description 6
- 206010006187 Breast cancer Diseases 0.000 claims description 5
- 208000026310 Breast neoplasm Diseases 0.000 claims description 5
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 claims description 5
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 claims description 5
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 claims description 5
- 239000012661 PARP inhibitor Substances 0.000 claims description 5
- 229940121906 Poly ADP ribose polymerase inhibitor Drugs 0.000 claims description 5
- 102000001307 androgen receptors Human genes 0.000 claims description 5
- 108010080146 androgen receptors Proteins 0.000 claims description 5
- 239000002246 antineoplastic agent Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 210000000481 breast Anatomy 0.000 claims description 5
- 210000001624 hip Anatomy 0.000 claims description 5
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 claims description 5
- 238000009169 immunotherapy Methods 0.000 claims description 5
- 210000003681 parotid gland Anatomy 0.000 claims description 5
- 229920001481 poly(stearyl methacrylate) Polymers 0.000 claims description 5
- OLWVRJUNLXQDSP-MVBOSPHXSA-N (2s)-2-[[(1s)-1-carboxy-5-[(6-fluoranylpyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)C1=CC=C([18F])N=C1 OLWVRJUNLXQDSP-MVBOSPHXSA-N 0.000 claims description 4
- QJUIUFGOTBRHKP-LQJZCPKCSA-N (2s)-2-[[(1s)-1-carboxy-5-[6-[3-[3-[[2-[[5-(2-carboxyethyl)-2-hydroxyphenyl]methyl-(carboxymethyl)amino]ethyl-(carboxymethyl)amino]methyl]-4-hydroxyphenyl]propanoylamino]hexanoylamino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)CCCCCNC(=O)CCC1=CC=C(O)C(CN(CCN(CC(O)=O)CC=2C(=CC=C(CCC(O)=O)C=2)O)CC(O)=O)=C1 QJUIUFGOTBRHKP-LQJZCPKCSA-N 0.000 claims description 4
- OLWVRJUNLXQDSP-AWDFDDCISA-N 2-[[1-carboxy-5-[(6-fluoranylpyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CCC(C(O)=O)NC(=O)NC(C(O)=O)CCCCNC(=O)C1=CC=C([18F])N=C1 OLWVRJUNLXQDSP-AWDFDDCISA-N 0.000 claims description 4
- 241000701063 Gallid alphaherpesvirus 1 Species 0.000 claims description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 4
- 229940041181 antineoplastic drug Drugs 0.000 claims description 4
- 210000001072 colon Anatomy 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 229960004671 enzalutamide Drugs 0.000 claims description 4
- WXCXUHSOUPDCQV-UHFFFAOYSA-N enzalutamide Chemical compound C1=C(F)C(C(=O)NC)=CC=C1N1C(C)(C)C(=O)N(C=2C=C(C(C#N)=CC=2)C(F)(F)F)C1=S WXCXUHSOUPDCQV-UHFFFAOYSA-N 0.000 claims description 4
- AEBYHKKMCWUMKX-LNTZDJBBSA-K gallium (68Ga) gozetotide Chemical compound [68Ga+3].OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)CCCCCNC(=O)CCC1=CC=C(O)C(CN(CCN(CC([O-])=O)CC=2C(=CC=C(CCC([O-])=O)C=2)O)CC([O-])=O)=C1 AEBYHKKMCWUMKX-LNTZDJBBSA-K 0.000 claims description 4
- 239000005556 hormone Substances 0.000 claims description 4
- 229940088597 hormone Drugs 0.000 claims description 4
- 201000005202 lung cancer Diseases 0.000 claims description 4
- 208000020816 lung neoplasm Diseases 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- IENZQIKPVFGBNW-UHFFFAOYSA-N prazosin Chemical compound N=1C(N)=C2C=C(OC)C(OC)=CC2=NC=1N(CC1)CCN1C(=O)C1=CC=CO1 IENZQIKPVFGBNW-UHFFFAOYSA-N 0.000 claims description 4
- 229960001289 prazosin Drugs 0.000 claims description 4
- 229940125458 pylarify Drugs 0.000 claims description 4
- RFFFFGRYVZESLB-CXODGJKXSA-N OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O Chemical compound OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O RFFFFGRYVZESLB-CXODGJKXSA-N 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010317 ablation therapy Methods 0.000 claims description 2
- 229950001379 darolutamide Drugs 0.000 claims description 2
- IUPNVOAUFBLQME-SGNQUONSSA-L dioxidanium;dioxido-oxo-(phosphonatomethyl)-$l^{5}-phosphane;technetium-99(4+) Chemical compound [OH3+].[OH3+].[99Tc+4].[O-]P([O-])(=O)CP([O-])([O-])=O IUPNVOAUFBLQME-SGNQUONSSA-L 0.000 claims description 2
- 238000001794 hormone therapy Methods 0.000 claims description 2
- BLIJXOOIHRSQRB-PXYINDEMSA-N n-[(2s)-1-[3-(3-chloro-4-cyanophenyl)pyrazol-1-yl]propan-2-yl]-5-(1-hydroxyethyl)-1h-pyrazole-3-carboxamide Chemical compound C([C@H](C)NC(=O)C=1NN=C(C=1)C(C)O)N(N=1)C=CC=1C1=CC=C(C#N)C(Cl)=C1 BLIJXOOIHRSQRB-PXYINDEMSA-N 0.000 claims description 2
- 230000007170 pathology Effects 0.000 claims description 2
- 229960004618 prednisone Drugs 0.000 claims description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 2
- 229960000714 sipuleucel-t Drugs 0.000 claims description 2
- 229940121633 vipivotide tetraxetan Drugs 0.000 claims description 2
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims 2
- 229940122569 Prostate-specific membrane antigen inhibitor Drugs 0.000 claims 2
- 229960003957 dexamethasone Drugs 0.000 claims 1
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 claims 1
- 210000003692 ilium Anatomy 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000010191 image analysis Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000002285 radioactive effect Effects 0.000 description 21
- 150000003839 salts Chemical class 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 239000010949 copper Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 229910052751 metal Inorganic materials 0.000 description 13
- 239000002184 metal Substances 0.000 description 13
- 239000010948 rhodium Substances 0.000 description 10
- 238000013519 translation Methods 0.000 description 10
- 230000014616 translation Effects 0.000 description 10
- 238000012879 PET imaging Methods 0.000 description 9
- 229910052703 rhodium Inorganic materials 0.000 description 9
- MHOVAHRLVXNVSD-UHFFFAOYSA-N rhodium atom Chemical compound [Rh] MHOVAHRLVXNVSD-UHFFFAOYSA-N 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 5
- GKLVYJBZJHMRIY-OUBTZVSYSA-N Technetium-99 Chemical compound [99Tc] GKLVYJBZJHMRIY-OUBTZVSYSA-N 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 229910052733 gallium Inorganic materials 0.000 description 5
- 229910052738 indium Inorganic materials 0.000 description 5
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 208000037821 progressive disease Diseases 0.000 description 5
- 102000005962 receptors Human genes 0.000 description 5
- 108020003175 receptors Proteins 0.000 description 5
- 229940056501 technetium 99m Drugs 0.000 description 5
- 210000001835 viscera Anatomy 0.000 description 5
- 229910052727 yttrium Inorganic materials 0.000 description 5
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 206010061728 Bone lesion Diseases 0.000 description 4
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 4
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- IEHKWSGCTWLXFU-IIBYNOLFSA-N tadalafil Chemical compound C1=C2OCOC2=CC([C@@H]2C3=C([C]4C=CC=CC4=N3)C[C@H]3N2C(=O)CN(C3=O)C)=C1 IEHKWSGCTWLXFU-IIBYNOLFSA-N 0.000 description 4
- 229960000835 tadalafil Drugs 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 108010083158 PSMA-1007 Proteins 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 201000010453 lymph node cancer Diseases 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910052713 technetium Inorganic materials 0.000 description 3
- GKLVYJBZJHMRIY-UHFFFAOYSA-N technetium atom Chemical compound [Tc] GKLVYJBZJHMRIY-UHFFFAOYSA-N 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- IDTMSHGCAZPVLC-STUNTBJNSA-N (2s)-2-[[(1r)-1-carboxy-2-[(4-fluoranylphenyl)methylsulfanyl]ethyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CSCC1=CC=C([18F])C=C1 IDTMSHGCAZPVLC-STUNTBJNSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 206010005949 Bone cancer Diseases 0.000 description 2
- 208000018084 Bone neoplasm Diseases 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 2
- HWZUDASOMGNLSM-UHFFFAOYSA-N O=P1OCOP(=O)O1 Chemical compound O=P1OCOP(=O)O1 HWZUDASOMGNLSM-UHFFFAOYSA-N 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 230000007321 biological mechanism Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000003109 clavicle Anatomy 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002255 enzymatic effect Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 208000037819 metastatic cancer Diseases 0.000 description 2
- 208000011575 metastatic malignant neoplasm Diseases 0.000 description 2
- 229940102859 methylene diphosphonate Drugs 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000011164 ossification Effects 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 238000011472 radical prostatectomy Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- FIHVIDKDARACGD-VABKMULXSA-N (2s)-2-[[(1s)-4-[[(1s)-5-[bis[[1-[2-[bis(carboxymethyl)amino]-2-oxoethyl]imidazol-2-yl]methyl]amino]-1-carboxypentyl]amino]-1-carboxy-4-oxobutyl]carbamoylamino]pentanedioic acid Chemical compound N=1C=CN(CC(=O)N(CC(O)=O)CC(O)=O)C=1CN(CCCC[C@H](NC(=O)CC[C@H](NC(=O)N[C@@H](CCC(=O)O)C(O)=O)C(O)=O)C(O)=O)CC1=NC=CN1CC(=O)N(CC(O)=O)CC(O)=O FIHVIDKDARACGD-VABKMULXSA-N 0.000 description 1
- LKKMLIBUAXYLOY-UHFFFAOYSA-N 3-Amino-1-methyl-5H-pyrido[4,3-b]indole Chemical compound N1C2=CC=CC=C2C2=C1C=C(N)N=C2C LKKMLIBUAXYLOY-UHFFFAOYSA-N 0.000 description 1
- 102100030310 5,6-dihydroxyindole-2-carboxylic acid oxidase Human genes 0.000 description 1
- 101710163881 5,6-dihydroxyindole-2-carboxylic acid oxidase Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 206010002329 Aneurysm Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 206010061819 Disease recurrence Diseases 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102100031413 L-dopachrome tautomerase Human genes 0.000 description 1
- 101710093778 L-dopachrome tautomerase Proteins 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241000489861 Maximus Species 0.000 description 1
- 101100338513 Mus musculus Hdac9 gene Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 206010034259 Pelvic kidney Diseases 0.000 description 1
- 241000288906 Primates Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 101710173693 Short transient receptor potential channel 1 Proteins 0.000 description 1
- 101710173694 Short transient receptor potential channel 2 Proteins 0.000 description 1
- 208000032383 Soft tissue cancer Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 208000021945 Tendon injury Diseases 0.000 description 1
- LVTKHGUGBGNBPL-UHFFFAOYSA-N Trp-P-1 Chemical compound N1C2=CC=CC=C2C2=C1C(C)=C(N)N=C2C LVTKHGUGBGNBPL-UHFFFAOYSA-N 0.000 description 1
- 101100338514 Xenopus laevis hdac9 gene Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 229940034982 antineoplastic agent Drugs 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000000339 bright-field microscopy Methods 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 102000046689 human FOLH1 Human genes 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 239000008194 pharmaceutical composition Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- ZAHRKKWIAAJSAO-UHFFFAOYSA-N rapamycin Natural products COCC(O)C(=C/C(C)C(=O)CC(OC(=O)C1CCCCN1C(=O)C(=O)C2(O)OC(CC(OC)C(=CC=CC=CC(C)CC(C)C(=O)C)C)CCC2C)C(C)CC3CCC(O)C(C3)OC)C ZAHRKKWIAAJSAO-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- QFJCIRLUMZQUOT-HPLJOQBZSA-N sirolimus Chemical compound C1C[C@@H](O)[C@H](OC)C[C@@H]1C[C@@H](C)[C@H]1OC(=O)[C@@H]2CCCCN2C(=O)C(=O)[C@](O)(O2)[C@H](C)CC[C@H]2C[C@H](OC)/C(C)=C/C=C/C=C/[C@@H](C)C[C@@H](C)C(=O)[C@H](OC)[C@H](O)/C(C)=C/[C@@H](C)C(=O)C1 QFJCIRLUMZQUOT-HPLJOQBZSA-N 0.000 description 1
- 229960002930 sirolimus Drugs 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000009121 systemic therapy Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Nuclear Medicine (AREA)
Abstract
本發明呈現提供醫學影像資料之半自動及/或自動分析以確定及/或傳達提供患者之風險及/或疾病圖片之度量值的系統及方法。本文所描述之技術包括用於分析醫學影像資料以評估在特定時間提供患者疾病負荷之快照的量化度量的系統及方法，及/或用於分析隨時間拍攝之影像以產生縱向資料集的系統及方法，該縱向資料集提供患者之風險及/或疾病在監測期間及/或治療反應期間如何隨時間演變之圖片。經由本文所描述之影像分析工具計算的度量本身可用作疾病負荷之量化量度及/或可與試圖量測及/或分層患者結果之臨床終點連結。因此，本發明之影像分析技術可用於通知臨床決策、評估治療功效及預測患者反應。
Description
本發明大體上係關於用於生成、分析及/或呈現醫學影像資料之系統及方法。更特定言之，在某些實施例中，本發明係關於用於自動分析醫學影像以鑑別及/或表徵個體之癌病變及/或預後或風險的系統及方法。
核醫學成像涉及使用放射性標記之化合物，稱為放射性藥品。放射性藥品以取決於且因此指示其中組織之生理及/或生化特性(諸如受諸如癌症之疾病之存在及/或病況影響的彼等特性)之方式投與至患者且在體內之各種區域中積聚。舉例而言，投與患者後之某些放射性藥品積聚於與惡性骨骼病變相關之異常成骨的區域中，其指示癌轉移。其他放射性藥品可結合於體內在疾病演變期間改變之特定受體、酶及蛋白質。在向患者投與之後，此等分子在血液中循環直至其發現其預期目標。所結合之放射性藥品保留在疾病部位，而藥劑之其餘部分自身體清除。
核醫學成像技術藉由偵測自放射性藥品之放射性部分發出的輻射來擷取影像。積聚之放射性藥品充當信標，使得可使用通常可獲得之核醫學模態得到描繪疾病位置及濃度的影像。核醫學成像模態之實例包括骨掃描成像(亦稱為閃爍攝影術(scintigraphy))、單光子發射電腦化斷層攝影術(single-photon emission computerized tomography，SPECT)及正電子發射斷層攝影術(positron emission tomography，PET)。骨掃描、SPECT及PET成像系統見於全世界大部分醫院中。特定成像模態之選擇取決於及/或指示所用之特定放射性藥品。舉例而言，經鎝99m (
99mTc)標記之化合物與骨掃描成像及SPECT成像相容，而PET成像通常使用經18F標記之氟化化合物。化合物
99mTc亞甲基二膦酸酯(
99mTc MDP)為用於骨掃描成像以便偵測轉移性癌症之普遍放射性藥品。靶向放射性標記之前列腺特異性膜抗原(PSMA)化合物，諸如
99mTc標記之1404及PyL
TM(亦稱為[18F]DCFPyL)可分別用於SPECT及PET成像，且提供高度特異性前列腺癌偵測之可能性。
因此，核醫學成像係一種為醫師提供可用於確定患者中疾病之存在及程度之資訊的寶貴技術。醫師可使用此資訊向患者提供建議之治療過程且追蹤疾病之進展。
舉例而言，腫瘤學家可使用來自患者研究之核醫學影像作為以下評估的輸入：患者是否患有例如前列腺癌之特定疾病；疾病之哪一階段明顯；何為建議之治療過程(若存在)；是否指示手術介入；及可能的預後。腫瘤學家可將放射學家報告用於此評估中。放射學家報告係由放射學家針對需要成像研究之醫師製備之核醫學影像的技術評估，且該放射學家報告包括例如所進行之研究的類型、臨床病史、影像之間的比較、用以進行研究之技術、放射學家之觀測及發現以及放射學家可基於成像研究結果得出之整體印象及建議。將簽署之放射學家報告發送至醫師，對研究排序以供醫師審查，接著在醫師與患者之間進行關於治療之結果及建議的討論。
因此，方法涉及使放射學家對患者進行成像研究，分析所得影像，生成放射學家報告，將報告轉遞至請求醫師，使醫師制定評估及治療建議，且使醫師向患者傳達結果、建議及風險。方法亦可涉及由於不確定結果而重複成像研究或基於初始結果對其他測試排序。若成像研究展示患者患有特定疾病或病狀(例如癌症)，則醫師論述不同治療選項(包括手術)以及不做任何事或採用謹慎等待或主動監測方法而非手術之風險。
因此，隨時間推移，審查及分析多個患者影像之方法在癌症之診斷及治療中起關鍵作用。明顯需要促進及改善影像審查及分析之精確性的改良工具以用於癌症診斷及治療。以此方式改善由醫師、放射學家及其他保健專業人士使用之工具包在標準照護及患者體驗方面提供了顯著改善。
本文呈現提供醫學影像資料之半自動及/或自動分析以確定及/或傳達提供患者之風險及/或疾病情況之度量值的系統及方法。本文所描述之技術包括用於分析醫學影像資料以評估在特定時間提供患者疾病負荷之快照的量化度量的系統及方法，及/或用於分析隨時間推移拍攝之影像以產生縱向資料集的系統及方法，該縱向資料集提供患者之風險及/或疾病在監測期間及/或治療反應期間隨時間推移的演變情況。經由本文所描述之影像分析工具計算的度量本身可用作疾病負荷之量化量度及/或可與試圖量測及/或分層患者結果之臨床終點有關。因此，本發明之影像分析技術可用於為制定臨床決策、評估治療功效及預測患者反應提供資訊。
在某些實施例中，藉由分析個體之3D核醫學影像以便鑑別及量化指示潛在癌病變之存在的子區(稱為熱點)來計算量化疾病負荷之患者指標的值。可計算個別熱點之多種量化度量以反映其表示之潛在病變的嚴重程度及/或尺寸。隨後可將此等個別熱點量化度量彙總以計算各種患者指標的值，該等患者指標的值提供個體整體及/或特定組織區域或病變子類內之疾病負荷及/或風險的量度。
在一個態樣中，本發明係針對一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標之值的方法，該方法包含：(a)藉由計算器件之處理器接收使用功能成像模態獲得之個體的3D功能影像；(b)藉由處理器將3D功能影像內之複數個3D熱點體積(hotspot volume)分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示個體內之潛在癌病變，由此獲得3D熱點體積之集合；(c)藉由處理器針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值；及(d)藉由處理器測定一或多個患者指標之值，其中至少一部分患者指標中之各者與一或多個特定個別熱點量化度量相關，且依據針對3D熱點體積集合所計算之一或多個特定個別熱點量化度量之值的至少一部分(例如實質上所有；例如特定子集)。
在某些實施例中，一或多個患者指標值之至少一個特定患者指標與單一特定個別熱點量化度量相關，且依據針對3D熱點體積集合所計算之特定個別熱點量化度量的實質上所有值(例如所有；例如僅不包括統計離群值)計算(例如平均值、中值、眾數、總和等)。
在某些實施例中，單一特定個別熱點量化度量為量化3D熱點體積內之強度的個別熱點強度度量(例如針對個別3D熱點體積，依據3D熱點體積之立體像素的強度計算)。
在某些實施例中，個別熱點強度度量為平均熱點強度(例如針對個別3D熱點體積，作為3D熱點體積內之立體像素之強度的平均值計算)。
在某些實施例中，將特定患者指標計算為針對3D熱點體積集合計算之個別熱點強度度量之實質上所有值的總和。
在某些實施例中，單一特定個別熱點量化度量為病變體積(例如針對特定3D熱點體積，作為特定3D熱點體積內各個別立體像素之體積的總和計算)。
在某些實施例中，將特定患者指標(之值)計算為針對3D熱點體積集合計算之實質上所有病變體積值的總和(例如使得特定患者指標值提供個體內之全部病變體積的量度)。
在某些實施例中，一或多個整體患者指標中之一特定者與兩個或更多個特定個別熱點量化度量相關，且依據針對3D熱點體積集合計算之兩個或更多個特定個別熱點量化度量的實質上所有值計算(例如加權總和、加權平均值等)。
在某些實施例中，兩個或更多個特定個別熱點量化度量包含(i)個別熱點強度度量及(ii)病變體積。
在某些實施例中，個別熱點強度度量為將熱點強度之值映射至標準化標度上之值的個別病變指標。
在某些實施例中，特定患者指標(之值)藉由以下方式計算為強度加權之(intensity-weighted)病變(例如熱點)體積的總和：對於實質上所有3D熱點體積之各個別3D熱點體積，藉由個別熱點強度度量之值對病變體積之值加權(例如計算病變體積值與個別熱點強度度量之值的乘積)，由此計算多個強度加權之病變體積；以及計算大體上所有強度加權之病變體積的總和作為特定患者指標之值。
在某些實施例中，一或多個個別熱點量化度量包含量化3D熱點體積內之強度的一或多個個別熱點強度量度(例如針對個別3D熱點體積，依據3D熱點體積之立體像素的強度計算)。
在某些實施例中，一或多個個別熱點量化度量包含一或多個選自由以下組成之群的成員：平均熱點強度(例如針對特定3D熱點體積，作為特定3D熱點體積內之立體像素之強度的平均值計算)；最大熱點強度(例如針對特定3D熱點體積，作為特定3D熱點體積內之立體像素之強度的最大值計算)；及中值熱點強度(例如針對3D熱點體積，作為3D熱點體積內之立體像素之強度的中值計算)。
在某些實施例中，一或多個個別熱點強度度量包含3D熱點體積之峰值強度[例如其中針對特定3D熱點體積，峰值強度之值藉由以下計算：(i)鑑別特定3D熱點體積內之最大強度立體像素；(ii)鑑別最大強度立體像素周圍的子區域(例如包含最大強度立體像素之特定臨限距離內之立體像素)內的立體像素及特定3D熱點內的立體像素；及(iii)計算子區域內之立體像素之強度的平均值作為對應峰值強度]。
在某些實施例中，一或多個個別熱點強度度量包含將熱點強度之值映射至標準化標度上之值的個別病變指標。
在某些實施例中，該方法包含：藉由處理器在3D功能影像內鑑別各自對應於特定參考組織區域之一或多個3D參考體積(reference volume)；藉由處理器測定一或多個參考強度值，其各自與一或多個3D參考體積之特定3D參考體積相關且對應於特定3D參考體積內之強度的量度；且在步驟(c)，對於該集合內之各3D熱點體積，藉由處理器測定特定個別熱點強度度量的對應值(例如平均熱點強度、中值熱點強度、最大熱點強度等)；且藉由處理器基於特定個別熱點強度度量之對應值及一或多個參考強度值來測定個別病變指標的對應值。
在某些實施例中，該方法包含：將一或多個參考強度值中之各者映射至標度上的對應參考指標值；及針對各3D熱點體積，使用參考強度值及對應的參考指標值來測定個別病變指標的對應值，以基於特定個別熱點強度度量之對應值而在標度上內插(interpolate)對應的個別病變指標值。
在某些實施例中，參考組織區域包含一或多個選自由以下組成之群的成員：肝臟、主動脈及腮腺。
在某些實施例中，第一參考強度值(i)為與對應於主動脈部分之參考體積相關的血液參考強度值，且(ii)映射至第一參考指標值；第二參考強度值(i)為與對應於肝臟之參考體積相關的肝臟參考強度值，且(ii)映射至第二參考指標值；以及第二參考強度值大於第一參考強度值且第二參考指標值大於第一參考指標值。
在某些實施例中，參考強度值包含映射至最大參考指標值之最大參考強度值，且其中特定個別熱點強度度量之對應值大於最大參考強度值的3D熱點體積經分配等於最大參考指標值之個別病變指標值。
在某些實施例中，該方法包含：在3D熱點體積集合內鑑別一或多個子集，其各自與特定組織區域及/或病變分類相關；及針對一或多個子集之各特定子集，使用針對特定子集內之3D熱點體積所計算的個別熱點量化度量之值來計算一或多個特定患者指標之對應值。
在某些實施例中，一或多個子集與一或多個組織區域中之一特定者相關且該方法包含針對各特定組織區域鑑別3D熱點體積之子集，其位於對應於特定組織區域之所關注體積內。
在某些實施例中，一或多個組織區域包含一或多個選自由以下組成之群的成員：包含個體之一或多個骨骼的骨架區域、淋巴區域及前列腺區域。
在某些實施例中，一或多個子集中之各者與一或多個病變子類型中之一特定者相關[例如根據病變分類方案(例如，miTNM分類)]，且該方法包含針對各3D熱點體積測定對應的病變子類型及根據其對應的病變子類型將3D熱點體積分配至一或多個子集中。
在某些實施例中，該方法包含使用一或多個患者指標之值的至少一部分作為以下之輸入：預後模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於一或多個患者指標值與一或多個臨限值之比較而經分配至特定類別；例如機器學習模型，其中接收一或多個患者指標之值作為輸入)，其產生指示特定患者結果之可能值(例如時間，例如以月數計，表示預期存活期、進展時間、放射照相進展時間等)的期望值及/或範圍(例如類別)作為輸出。
在某些實施例中，該方法包含使用一或多個患者指標之值的至少一部分作為以下之輸入：預測模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於一或多個患者指標值與一或多個臨限值之比較而經分配至特定類別；例如機器學習模型，其中接收一或多個患者指標之值作為輸入)，其產生針對一或多個治療選項(例如阿比特龍(Abiraterone)、恩雜魯胺(Enzalutamide)、阿帕魯胺(Apalutamide)、達魯胺(Darolutamide)、西普亮塞(Sipuleucel)-T、Ra223、多西他賽(Docetaxel)、卡巴他賽(Carbazitaxel)、帕博利珠單抗(Pembrolizumab)、奧拉帕尼(Olaparib)、盧卡帕尼(Rucaparib)、
177Lu-PSMA-617等)及/或治療劑之類別[例如雄激素生物合成抑制劑(例如阿比特龍)、雄激素受體抑制劑(例如恩雜魯胺、阿帕魯胺、達魯胺)、細胞免疫療法(例如西普亮塞-T)、內部放射療法治療(Ra223)、抗腫瘤藥(例如多西他賽、卡巴他賽)、免疫檢查點抑制劑(帕博利珠單抗)、PARP抑制劑(例如奧拉帕尼、盧卡帕尼)、PSMA結合劑]中之各者的合格性評分作為輸出，其中特定治療選項及/或治療劑類別之合格性評分指示患者是否將得益於特定治療及/或治療劑類別之預測。
在某些實施例中，該方法包含(例如自動)生成包含一或多個患者指標之值之至少一部分的報告[例如電子文件，例如在圖形使用者介面內(例如用於使用者驗證/簽出(sign-off))]。
在某些實施例中，該方法包含使用一或多個機器學習模組[例如一或多個神經網路(例如一或多個卷積類神經網路)]來執行一或多個選自由以下組成之群的功能：偵測複數個熱點，其中複數個3D熱點體積之至少一部分中的各者對應於特定偵測之熱點且藉由分段特定偵測之熱點產生；分段複數個3D熱點體積之至少一部分；及對3D熱點體積之至少一部分進行分類(例如測定各3D熱點體積表示潛在癌病變之可能性)。
在某些實施例中，3D功能影像包含在向個體投與藥劑後獲得之PET或SPECT影像。在某些實施例中，藥劑包含PSMA結合劑。在某些實施例中，藥劑包含
18F。在某些實施例中，藥劑包含[18F]DCFPyL。在某些實施例中，藥劑包含PSMA-11。在某些實施例中，藥劑包含一或多個選自由
99mTc、
68Ga、
177Lu、
225Ac、
111In、
123I、
124I及
131I組成之群的成員。
在另一態樣中，本發明係針對一種用於自動分析個體之醫學影像[例如三維影像，例如核醫學影像(例如骨掃描(閃爍攝影術)、PET及/或SPECT)，例如解剖影像(例如CT、X射線、MRI)，例如組合之核醫學及解剖影像(例如重疊)]之時間序列的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之醫學影像的時間序列；及(b)藉由處理器鑑別醫學影像中之各者內的複數個熱點且藉由處理器測定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松(prednisone)、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)] [例如其中步驟(b)包含使用機器學習模組/模型]。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像(例如以評估個體之疾病病況及/或進展)的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之複數個醫學影像，且藉由處理器獲得複數個3D熱點圖(hotspot map)，其各自對應於(複數個醫學影像之)特定醫學影像且鑑別特定醫學影像內之一或多個熱點(例如表示個體內之可能的潛在身體病變)；(b)對於複數個醫學影像之各特定影像(醫學影像)，藉由處理器使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別特定醫學影像內之器官區域之集合[例如表示個體內之軟組織及/或骨骼結構(例如一或多根頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖；(c)藉由處理器，使用(i)複數個3D熱點圖及(ii)複數個3D解剖分段圖來確定一或多個病變對應性之鑑別，各(病變對應性)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由處理器)表示個體內之同一潛在身體病變；及(d)藉由處理器，基於複數個3D熱點圖及一或多個病變對應性之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間推移/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者進行分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示對療法及/或其他臨床結果之預測反應)}之值。
在某些實施例中，複數個醫學影像包含一或多個解剖影像(例如CT、X射線、MRI、超音波等)。
在某些實施例中，複數個醫學影像包含一或多個核醫學影像[例如骨掃描(閃爍攝影術) (例如在向個體投與諸如99mTc-MDP之放射性藥品後獲得)、PET (例如在向個體投與諸如[18F]DCFPyL、[68Ga]PSMA-11、[18F] PSMA-1007、rhPSMA-7.3 (18F)、[18F]-JK-PSMA-7等之放射性藥品後獲得)或SPECT (例如在向個體投與諸如99mTc標記之PSMA結合劑的放射性藥品後獲得)]。
在某些實施例中，複數個醫學影像包含一或多個複合影像，其各自包含解剖及核醫學對(例如彼此重疊/共配準(co-registered)；例如已在實質上相同時間供個體獲取) (例如一或多個PET/CT影像)。
在某些實施例中，複數個醫學影像係或包含醫學影像之時間序列，時間序列之各醫學影像與不同特定時間相關且已在不同特定時間獲取。
在某些實施例中，醫學影像之時間序列包含在向個體投與(例如一或多個週期之)特定治療劑[例如PSMA結合劑(例如PSMA-617；例如PSMA I&T)；例如放射性藥品；例如放射性核種標記之PSMA結合劑(例如177Lu-PSMA-617；例如177Lu-PSMA I&T)]之前獲取的第一醫學影像，及在向個體投與(例如一或多個週期之)特定治療劑之後獲取的第二醫學影像。
在某些實施例中，該方法包含基於在步驟(d)測定之一或多個度量之值將個體分類為對特定治療劑之有反應者及/或無反應者。
在某些實施例中，步驟(a)包含藉由(例如自動)分段對應醫學影像之至少一部分(例如其子影像，諸如核醫學影像) (例如使用第二熱點分段、機器學習模組[例如其中熱點分段機器模組包含深度學習網路(例如卷積類神經網路(CNN)])來產生各熱點圖。
在某些實施例中，對於其中鑑別之熱點的至少一部分中之各者，各熱點圖包含一或多個鑑別一或多個分配之解剖區域及/或病變子類型的標記(例如miTNM分類標記)。
在某些實施例中，複數個熱點圖包含(i)對應於第一醫學影像(例如且鑑別其中一或多個熱點之第一集合)的第一熱點圖，及(ii)對應於第二醫學影像(例如且鑑別其中一或多個熱點之第二集合)的第二熱點圖；複數個3D解剖分段圖包含(i)鑑別第一醫學影像內之器官區域集合的第一3D解剖分段圖，及(ii)鑑別第二醫學影像內之器官區域集合的第二3D解剖分段圖；且步驟(c)包含使用第一3D解剖分段圖及第二3D解剖分段圖將(i)第一熱點圖與(ii)第二熱點圖配準(例如使用器官區域集合及/或其一或多個子集作為第一及第二3D解剖分段圖內之標誌以確定一或多個配準場域(registration field) (例如全3D配準場域；例如逐點配準(pointwise registration)且使用一或多個確定之配準場域共配準第一及第二熱點圖)。
在某些實施例中，步驟(c)包含：對於各熱點係不同熱點圖之成員且在不同醫學影像中鑑別的一組兩個或更多個熱點，測定一或多個病變對應性度量(例如體積重疊；例如質心距離；例如病變類型匹配)之值；以及基於一或多個病變對應性度量之值確定該組之兩個或更多個熱點以表示同一特定潛在身體病變，由此在一或多個病變對應性中之一者中包括該組之兩個或更多個熱點。
在某些實施例中，步驟(d)包含測定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)]。
在某些實施例中，該方法包含(例如基於一或多個度量之值；例如在步驟(d))測定一或多個預後度量之值，其指示疾病病況/進展及/或治療[例如測定個體之預期總存活期(OS) (例如預測之月數)]。
在某些實施例中，該方法包含使用一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值作為以下之輸入：預後模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於一或多個患者指標值與一或多個臨限值之比較而經分配至特定類別；例如機器學習模型，其中接收一或多個患者指標之值作為輸入)，其產生指示特定患者結果之可能值(例如時間，例如以月數計，表示預期存活期、進展時間、放射照相進展時間等)的期望值及/或範圍(例如類別)作為輸出。
在某些實施例中，該方法包含使用一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值作為以下之輸入：反應模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於一或多個患者指標值與一或多個臨限值之比較而經分配至特定類別；例如，機器學習模型，其中接收一或多個患者指標之值作為輸入)，其產生指示患者對治療之反應的分類(例如二元分類)作為輸出。
在某些實施例中，該方法包含使用一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值作為以下之輸入：預測模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於一或多個患者指標值與一或多個臨限值之比較而經分配至特定類別；例如機器學習模型，其中接收一或多個患者指標之值作為輸入)，其產生針對一或多個治療選項(例如阿比特龍、恩雜魯胺、阿帕魯胺、達魯胺、西普亮塞-T、Ra223、多西他賽、卡巴他賽、帕博利珠單抗、奧拉帕尼、盧卡帕尼、177Lu-PSMA-617等)及/或治療劑之類別[例如雄激素生物合成抑制劑(例如阿比特龍)、雄激素受體抑制劑(例如恩雜魯胺、阿帕魯胺、達魯胺)、細胞免疫療法(例如西普亮塞-T)、內部放射療法治療(Ra223)、抗腫瘤藥(例如多西他賽、卡巴他賽)、免疫檢查點抑制劑(帕博利珠單抗)、PARP抑制劑(例如奧拉帕尼、盧卡帕尼)、PSMA結合劑]中之各者的合格性評分作為輸出，其中特定治療選項及/或治療劑類別之合格性評分指示患者是否將得益於特定治療及/或治療劑類別之預測。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像的方法，該方法包含：(a)藉由計算器件之處理器獲得(例如接收及/或存取，及/或產生)個體之第一3D熱點圖；(b)藉由處理器獲得(例如接收及/或存取，及/或產生)與第一3D熱點圖相關之第一3D解剖分段圖；(c)藉由處理器獲得(例如接收及/或存取，及/或產生)個體之第二3D熱點圖；(d)藉由處理器獲得(例如接收及/或存取，及/或產生)與第二3D熱點圖相關之第二3D解剖分段圖；(e)藉由處理器，使用/基於第一3D解剖分段圖及第二3D解剖分段圖確定配準場域(例如全3D配準場域；例如逐點配準)；(f)藉由處理器，使用確定之配準場域將第一3D熱點圖與第二3D熱點圖配準，由此產生3D熱點圖之共配準對；(g)藉由處理器，使用3D熱點圖之共配準對確定一或多個病變對應之鑑別；及(f)藉由處理器，儲存及/或提供一或多個病變對應之鑑別以用於展示及/或進一步處理。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像(例如以評估個體之疾病病況及/或進展)的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之複數個醫學影像；(b)對於複數個醫學影像之各特定影像(醫學影像)，藉由處理器使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別特定醫學影像內之器官區域之集合[例如表示個體內之軟組織及/或骨骼結構(例如一或多根頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖；(c)藉由處理器，使用複數個3D解剖分段圖確定一或多個配準場域(例如全3D配準場域；例如逐點配準)且應用一或多個配準場域以配準複數個醫學影像，由此產生複數個配準之醫學影像；(d)對於複數個配準之醫學影像中之各特定者，藉由處理器確定對應的配準之3D熱點圖，其鑑別特定配準之醫學影像內的一或多個熱點(例如表示個體內可能的潛在身體病變)，由此產生複數個配準之3D熱點圖；(e)藉由處理器，使用複數個3D配準之熱點圖確定一或多個病變對應性之鑑別，各(病變對應性)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由處理器)表示個體內之同一潛在身體病變；及(d)藉由處理器，基於複數個3D熱點圖及一或多個病變對應性之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間推移/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者進行分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示對療法及/或其他臨床結果之預測反應)}之值。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像的方法，該方法包含：(a)藉由計算器件之處理器獲得(例如接收及/或存取，及/或產生)個體之第一3D解剖影像(例如CT、X射線、MRI等)及第一3D功能影像[例如核醫學影像(例如PET、SPECT等)]；(b)藉由處理器獲得(例如接收及/或存取，及/或產生)個體之第二3D解剖影像及第二3D功能影像；(c)藉由處理器基於(例如使用)第一3D解剖影像獲得(例如接收及/或存取，及/或產生)第一3D解剖分段圖；(d)藉由處理器基於(例如使用)第二3D解剖影像獲得(例如接收及/或存取，及/或產生)第二3D解剖分段圖；(e)藉由處理器，使用/基於第一3D解剖分段圖及第二3D解剖分段圖確定配準場域(例如全3D配準場域；例如逐點配準)；(f)藉由處理器，使用配準場域將第二3D功能影像與第一3D功能影像配準(與其對準)，由此產生第二3D功能影像之配準版本；(g)藉由處理器獲得與第一功能影像相關之第一3D熱點圖；(h)藉由處理器，使用第二3D功能影像之配準版本確定第二3D熱點圖，第二3D熱點圖由此與第一3D熱點圖配準；(g)藉由處理器，使用第一3D熱點圖及與其配準之第二3D熱點圖確定一或多個病變對應性之鑑別；及(f)藉由處理器，儲存及/或提供一或多個病變對應性之鑑別以用於展示及/或進一步處理。
在另一態樣中，本發明係關於一種用於評估介入之功效的方法，該方法包含：(a)對於呈現特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌(metastatic castration resistant prostate cancer))及/或處於特定疾病之風險下的測試群體(例如包含複數個個體，例如入選臨床試驗中)之各特定個體，進行如前述技術方案中任一項之方法以獲得特定患者之複數個醫學影像，其中特定患者之複數個醫學影像包含在跨越受測介入之時間段內(例如之前、期間及/或之後)獲得的醫學影像之時間序列，且一或多個風險指標包含指示對受測介入之患者反應的一或多個終點，由此測定在測試群體中一或多個終點中之各者的複數個值；及(b)基於在測試群體中一或多個終點之值確定受測介入之功效。
在另一態樣中，本發明係針對一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於特定疾病風險下之個體的方法，該方法包含：向個體投與治療劑之第一週期；及向個體投與治療劑之第二週期，此係基於個體已(例如在治療劑之第一週期之前及/或期間及/或之後)成像且使用例如在以上段落(例如段落[0010]-[0059])，在本文所描述之態樣及實施例中之任一者中描述的方法而被鑑別為對治療劑有反應者(例如基於使用例如在以上段落(例如段落[0010]-[0059])，在本文所描述之態樣及實施例中之任一者中描述的方法測定的一或多個風險指標之值，個體已被鑑別/分類為有反應者)。
在另一態樣中，本發明係針對一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於特定疾病風險下之個體的方法，該方法包含：向個體投與第一治療劑之週期；及向個體投與第二治療劑之週期，此係基於個體已(例如在第一治療劑之週期之前及/或期間及/或之後)成像，且使用在本文所描述之態樣及實施例中之任一者，例如在以上段落(例如段落[0010]-[0059])中描述的方法而被鑑別為對第一治療劑無反應者(例如基於使用在本文所描述之態樣及實施例中之任一者，例如在以上段落(例如段落[0010]-[0059])中描述的方法測定的一或多個風險指標之值，個體已被鑑別/分類為無反應者) (例如由此使個體接受可能更有效的療法)。
在另一態樣中，本發明係針對一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於特定疾病風險下之個體的方法，該方法包含：向個體投與治療劑之週期；及中斷向個體投與治療劑，此係基於個體已(例如在第一治療劑之週期之前及/或期間及/或之後)成像，且使用在本文所描述之態樣及實施例中之任一者，例如在以上段落(例如段落[0010]-[0059])中描述的方法而被鑑別為對治療劑無反應者(例如基於使用在本文所描述之態樣及實施例中之任一者，例如在以上段落(例如段落[0010]-[0059])中描述的方法測定的一或多個風險指標之值，個體已被鑑別/分類為無反應者) (例如由此使個體接受可能更有效的療法)。
在另一態樣中，本發明係針對一種自動或半自動全身評估患有轉移性前列腺癌[例如轉移性耐去勢性前列腺癌(mCRPC)或轉移性激素敏感性前列腺癌(mHSPC)]之個體以評估疾病進展及/或治療功效的方法，該方法包含：(a)藉由計算器件之處理器接收個體之第一靶向前列腺特異性膜抗原(PSMA)的正電子發射斷層攝影術(PET)影像(第一PSMA-PET影像)及個體之第一3D解剖影像[例如電腦斷層攝影術(CT)影像；例如磁共振影像(MRI)]，其中個體之第一3D解剖影像與第一PSMA PET影像同時或緊接在其之後或緊接在其之前(例如與其在同一日期)獲得，使得第一3D解剖影像及第一PSMA PET影像對應於第一日期，且其中影像描繪個體身體之足夠大的區域以覆蓋轉移性前列腺癌已擴散至的身體區域(例如覆蓋多個器官之完整軀幹影像或全身影像) {例如其中PSMA-PET影像係使用PYLARIFY®、F-18 piflufolastat PSMA (亦即，2-(3-{1-羧基-5-[(6-[18F]氟-吡啶-3-羰基)胺基]-戊基}脲基)-戊二酸，亦稱為[18F]F-DCFPyL)或Ga-68 PSMA-11或其他放射性標記之前列腺特異性膜抗原抑制劑成像劑獲得}；(b)藉由處理器接收個體之第二PSMA-PET影像及個體之第二3D解剖影像，兩者均在第一日期之後的第二日期獲得；(c)藉由處理器，使用在第一及第二3D解剖影像內自動鑑別之標誌(例如所鑑別區域表示頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左側股骨；右側股骨；頭骨、腦及下頜骨中之一或多者)自動確定配準場域(例如全3D配準場域；例如逐點配準)，及藉由處理器，使用確定之配準場域來對準第一及第二PSMA-PET影像[例如在將CT及/或PSMA-PET影像分段以鑑別器官及/或骨骼的邊界之前或之後，及在自PSMA-PET影像進行自動熱點(例如病變)偵測之前或之後]；及(d)使用由此對準之第一及第二PSMA-PET影像藉由處理器以自動偵測(例如分期及/或量化)疾病自第一日期至第二日期之變化(例如進展或緩解) [例如自動鑑別及/或按原樣鑑別(例如標示(tagging)、標記(labelling))如下(i)及(ii)中之一者或兩者：(i)病變數目之變化{例如一或多種新病變(例如器官特異性病變)或一或多種病變(例如器官特異性)之消除}，及(ii)腫瘤尺寸之變化{例如腫瘤尺寸之增加(PSMA-VOL增加/降低)，例如總腫瘤尺寸，或腫瘤尺寸之降低(PSMA-VOL降低)} {例如一或多種特定病變中之各者之體積的變化，或特定類型病變(例如器官特異性腫瘤)之整體體積的變化，或鑑別病變之總體積的變化}。
在某些實施例中，該方法包含一或多個選自由以下組成之群的成員：病變位置分配、腫瘤分期、結節分期、遠端癌轉移分期、前列腺內病變之評估及PSMA表現評分之測定。
在某些實施例中，已向個體投與療法{例如激素療法、化學療法及/或放射療法，例如雄激素消融療法，例如含177Lu化合物，例如177Lu-PSMA放射性配位體療法，例如177Lu-PSMA-617，例如鎦Lu 177維匹泰德特拉歇坦(vipivotide tetraxetan) (Pluvicto)，例如卡巴他賽}以用於自第一日期至第二日期(獲得第一影像之後及獲得第二影像之前)一或多次治療轉移性前列腺癌，使得該方法用於評估治療功效。
在某些實施例中，該方法進一步包含在第二日期之後獲得個體之一或多個其他PSMA PET影像及3D解剖影像，使用對應的3D解剖影像對準其他PSMA PET影像，及使用對準之其他PSMA PET影像以評估疾病進展及/或治療功效。
在某些實施例中，該方法進一步包含至少部分地基於疾病自第一日期至第二日期所偵測之變化，藉由處理器確定及呈現所預測之PSMA-PET影像，該影像描繪疾病至未來日期(例如比第二日期或已獲得PSMA-PET影像之任何其他後續日期更晚的未來日期)之預測進展(或緩解)。
在另一態樣中，本發明係針對一種量化及報導患有癌症及/或處於癌症風險下之患者之疾病(例如腫瘤)負荷的方法，該方法包含：(a)藉由計算器件之處理器獲得患者之醫學影像；(b)藉由處理器偵測醫學影像內之一或多個(例如複數個)熱點，醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)對於表示特定組織區域及/或病變子類型之複數個病變類別的各特定病變類別：藉由處理器鑑別屬於特定病變類別之一或多個熱點的對應子集(例如基於藉由處理器進行確定，熱點表示位於特定組織區域內及/或屬於特定病變類別表示之特定病變子類型的潛在身體病變)；及藉由處理器，基於熱點之對應子集來測定量化特定病變類別內及/或與特定病變類別相關之疾病(例如腫瘤)負荷的一或多個患者指標之值；及(e)藉由處理器來呈現針對複數個病變類別中之各者所計算的患者指標值之圖形表示(例如列出各病變類別及針對各病變類別所計算之患者指標值的概述表)，由此為使用者提供概述特定組織區域內及/或與特定病變子類型相關之腫瘤負荷的圖形報告。
在某些實施例中，複數個病變類別包含以下中之一或多者：(i)局部腫瘤類別(例如「T」或「miT」類別)，其鑑別位於與患者內之局部(例如原發性)腫瘤部位相關及/或相鄰的一或多個局部腫瘤相關之組織區域內的潛在病變及/或其部分，且由對應熱點子集表示[例如其中癌症為前列腺癌，且一或多個局部腫瘤相關之組織區域包含前列腺且視情況包含一或多個相鄰結構(例如精囊、外括約肌、直腸、膀胱、提肌及/或骨盆壁)；例如其中癌症為乳癌，且一或多個局部腫瘤相關之組織區域包含乳房；例如其中癌症為結腸直腸癌，且一或多個局部腫瘤相關之組織區域包含結腸；例如其中癌症為肺癌，且一或多個局部腫瘤相關之組織區域包含肺部]；(ii)區域結節類別(例如「N」或「miN」類別)，其鑑別位於與原始(例如原發性)腫瘤部位相鄰及/或接近之局部淋巴結內的潛在病變，且由對應熱點子集表示[例如其中癌症為前列腺癌，且區域淋巴結類別鑑別熱點，該等熱點表示位於一或多個骨盆淋巴結(例如內髂、外髂、閉孔肌、骶前結節(presacral node)或其他骨盆淋巴結)內之病變]；及(iii)一或多種(例如遠端)轉移性腫瘤類別(例如一或多種「M」或「miM」類別)，其鑑別潛在癌轉移(例如在原始(例如原發性)腫瘤部位以外擴散之病變)及/或其子類型，且由對應熱點子集表示[例如其中癌症為前列腺癌，且一或多種轉移性腫瘤類別鑑別熱點，該等熱點表示位於患者之骨盆區域(例如如骨盆邊緣所定義，例如根據美國癌症聯合委員會分期手冊(American Joint Committee on Cancer staging manual))外部之潛在轉移性病變]。
在某些實施例中，一或多種轉移性腫瘤類別包含以下中之一或多者：遠端淋巴結癌轉移類別(例如「Ma」或「miMa」類別)，其鑑別已轉移至遠端淋巴結之潛在病變，且由對應熱點子集表示[例如其中癌症為前列腺癌，且遠端淋巴結區域類別鑑別熱點，該等熱點表示位於骨盆外(例如骨盆區域外)淋巴結(例如總髂(common iliac)、腹膜後淋巴結、膈上(supradiaphragmatic)淋巴結、腹股溝及其他骨盆外淋巴結)內之病變]；遠端骨癌轉移類別(例如「Mb」或「miMb」類別)，其鑑別位於患者之一或多個骨骼(例如遠端骨骼)內的潛在病變，且由對應熱點子集表示；及內臟(亦稱為遠端軟組織)癌轉移類別(例如「Mc」或「miMc」類別)，其鑑別位於局部腫瘤相關之組織區域外部之一或多個器官或其他非淋巴軟組織區域內的潛在病變，且由對應熱點子集表示(例如其中癌症為前列腺癌，且內臟癌轉移類別鑑別熱點，該等熱點表示位於患者之骨盆外器官，諸如腦、肺、肝、脾及腎中之潛在病變)。
在某些實施例中，步驟(c)包含針對各特定病變類別，測定以下患者指標中之一或多者的值：病變計數，其量化由對應於特定病變類別之熱點子集表示的(例如不同)病變之數目(例如計算為對應子集內熱點之數目)；最大吸收值，其量化對應熱點集合內之最大吸收(例如計算為對應子集之熱點體積內所有立體像素的最大個別立體像素強度；例如根據方程式(13a))；平均吸收值，其量化對應熱點子集內之整體平均吸收(例如計算為對應子集之(總組合之)熱點體積內所有立體像素的整體平均強度；例如根據方程式(13b))；總體積病變體積，其量化屬於特定病變類別之病變的總體積(例如計算為對應子集之所有個別病變(例如熱點)體積的總和；根據方程式(13c))；及強度加權之腫瘤體積(ILTV)評分(例如aPSMA評分)，作為加權(例如乘以)其強度之量測值的所有個別病變體積之加權和計算[例如其中其強度之量測值為病變指標，該病變指標基於與指示一或多個諸如主動脈部分及肝臟之對應參考組織區域內的生理(例如正常、非癌症相關)放射性藥品吸收之一或多個參考強度的比較來在標準化標度上量化熱點強度] [例如根據方程式(13d)計算]。
在某些實施例中，該方法包含針對病變類別中之各者確定對特定病變類別內之整體負荷進行分類的文數字(alpha-numeric)編碼(例如miTNM分期編碼，指示(i)特定病變類別以及(ii)一或多個數目及/或數目，該等數目指示對應子集之熱點的特定數目、尺寸、空間範圍、空間圖案及/或子位置，以及其表示之潛在身體病變)，且視情況在步驟(e)，使得產生及/或顯示各特定病變類別之文數字編碼的表示。
在某些實施例中，該方法進一步包含基於複數個病變類別及其對應熱點子集來確定患者之整體疾病階段(例如文數字編碼)，其指示患者之整體疾病狀態及/或負荷，且藉由處理器呈現整體疾病階段的圖形表示(例如文數字編碼)以包括於報告內。
在某些實施例中，該方法進一步包含：藉由處理器測定一或多個參考強度值，各自指示患者內之特定參考組織區域(例如主動脈部分；例如肝)內放射性藥品的生理(例如正常、非癌症相關)吸收，且基於在醫學影像內鑑別之對應參考體積內的影像立體像素之強度計算；及在步驟(e)，藉由處理器呈現一或多個參考強度值的表示(例如圖表)以包括於報告內。
在另一態樣中，本發明係針對一種基於患有癌症及/或處於癌症風險下之患者的成像評估來表徵及報導所偵測之個別病變的方法，該方法包含：(a)藉由計算器件之處理器獲得患者之醫學影像；(b)藉由處理器偵測醫學影像內之一或多個(例如複數個)熱點的集合，醫學影像內之該集合的各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)藉由處理器將一或多個病變類別標記分配至該集合的一或多個熱點中之各者，各病變類別標記類別表示特定組織區域及/或病變子類型且將熱點鑑別為表示位於特定組織區域內之潛在病變及/或屬於病變子類型；(d)藉由處理器針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別熱點的特定個別熱點量化度量之值；及(e)藉由處理器顯示圖形表示，其對於熱點集合之至少一部分的各特定熱點包含特定熱點之鑑別(例如表中之列，且視情況包含文數字鑑別，諸如鑑別特定熱點之數目)，以及分配至特定熱點之一或多個病變類別標記及針對特定熱點計算之一或多個個別熱點量化度量之值[例如概述表(例如可滾動概述表)，將各個別熱點列為一行且分配之病變類別及熱點量化度量按列(column-wise)列出]。
在某些實施例中，病變類別標記包含表示以下中之一或多者的標記：(i)局部腫瘤類別(例如「T」或「miT」類別)，其鑑別位於與患者內之局部(例如原發性)腫瘤部位相關及/或相鄰的一或多個局部腫瘤相關之組織區域內的潛在病變及/或其部分，且由對應熱點子集表示[例如其中癌症為前列腺癌，且一或多個局部腫瘤相關之組織區域包含前列腺且視情況包含一或多個相鄰結構(例如精囊、外括約肌、直腸、膀胱、提肌及/或骨盆壁)；例如其中癌症為乳癌，且一或多個局部腫瘤相關之組織區域包含乳房；例如其中癌症為結腸直腸癌，且一或多個局部腫瘤相關之組織區域包含結腸；例如其中癌症為肺癌，且一或多個局部腫瘤相關之組織區域包含肺部]；(ii)區域結節類別(例如「N」或「miN」類別)，其鑑別位於與原始(例如原發性)腫瘤部位相鄰及/或接近之局部淋巴結內的潛在病變，且由對應熱點子集表示[例如其中癌症為前列腺癌，且區域淋巴結類別鑑別熱點，該等熱點表示位於一或多個骨盆淋巴結(例如內髂、外髂、閉孔肌、骶前結節或其他骨盆淋巴結)內之病變]；及(iii)一或多種(例如遠端)轉移性腫瘤類別(例如一或多種「M」或「miM」類別)，其鑑別潛在癌轉移(例如在原始(例如原發性)腫瘤部位以外擴散之病變)及/或其子類型，且由對應熱點子集表示[例如其中癌症為前列腺癌，且一或多種轉移性腫瘤類別鑑別熱點，該等熱點表示位於患者之骨盆區域(例如如骨盆邊緣所定義，例如根據美國癌症聯合委員會分期手冊)外部之潛在轉移性病變]。
在某些實施例中，一或多種轉移性腫瘤類別包含以下中之一或多者：遠端淋巴結癌轉移類別(例如「Ma」或「miMa」類別)，其鑑別已轉移至遠端淋巴結之潛在病變，且由對應熱點子集表示[例如其中癌症為前列腺癌，且遠端淋巴結區域類別鑑別熱點，該等熱點表示位於骨盆外(例如骨盆區域外)淋巴結(例如總髂、腹膜後淋巴結、膈上淋巴結、腹股溝及其他骨盆外淋巴結)內之病變]；遠端骨癌轉移類別(例如「Mb」或「miMb」類別)，其鑑別位於患者之一或多個骨骼(例如遠端骨骼)內的潛在病變，且由對應熱點子集表示；及內臟(亦稱為遠端軟組織)癌轉移類別(例如「Mc」或「miMc」類別)，其鑑別位於局部腫瘤相關之組織區域外部之一或多個器官或其他非淋巴軟組織區域內的潛在病變，且由對應熱點子集表示(例如其中癌症為前列腺癌，且內臟癌轉移類別鑑別熱點，該等熱點表示位於患者之骨盆外器官，諸如腦、肺、肝、脾及腎中之潛在病變)。
在某些實施例中，病變類別標記包含一或多種鑑別特定器官或骨骼之組織標記，其中(由熱點表示之病變)經確定(例如基於熱點與解剖分段圖之比較)位於該特定器官或骨骼(例如表1中所列之器官或骨骼區域中之一或多者)中。
在某些實施例中，一或多個個別熱點量化度量包括以下中之一或多者：最大強度(例如SUV最大值) (例如根據方程式(1a)、(1b)或(1c)中之任一者測定)、峰值強度(例如SUV峰值) (例如根據方程式(3a)、(3b)或(3c)中之任一者測定)、平均強度(例如SUV平均值) (例如根據方程式(2a)、(2b)、(2c)中之任一者測定)、病變體積(例如根據方程式(5a)或(5b)中之任一者測定及病變指標(例如在標準化標度上量測熱點之強度) (例如根據方程式(4)測定)。
在另一態樣中，本發明係針對一種量化及報導患有癌症及/或處於癌症風險下之患者隨時間推移之疾病(例如腫瘤)進展及/或風險的方法，該方法包含：(a)藉由計算器件之處理器獲得患者之複數個醫學影像，各醫學影像表示在特定時間獲得之患者的掃描(例如縱向資料集)；(b)對於複數個醫學影像中之各特定者，藉由處理器偵測特定醫學影像內之一或多個(例如複數個)熱點的對應集合，醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)對於在特定時間量測(例如量化)患者內之整體疾病(例如腫瘤)負荷的一或多個(例如整體)患者指標中之各特定者，藉由處理器，基於針對特定醫學影像偵測之對應熱點集合，測定複數個醫學影像之各特定醫學影像的特定(例如整體)患者指標之值，由此針對一或多個患者指標中之各特定者測定一值集合，該值集合藉由對特定患者指標值量測來追蹤隨時間推移之疾病負荷的變化；及(d)藉由處理器顯示一或多個患者指標值之至少一部分(例如特定一者、特定子集)的值集合之圖形表示，由此向患者傳達隨時間推移之疾病進展的量測值。
在某些實施例中，一或多個患者指標包含：病變計數，其量化由對應於特定醫學影像且在特定醫學影像內(例如在特定時間點處)偵測之熱點集合表示的(例如不同)病變之數目(例如計算為對應熱點集合內熱點之數目)；最大吸收值，其量化特定醫學影像之對應熱點集合內的最大吸收(例如計算為特定醫學影像之對應熱點集合之熱點體積內所有立體像素內的最大個別立體像素強度；例如根據方程式(7a)或(7b))；平均吸收值，其量化對應熱點集合內之整體平均吸收(例如計算為對應集合之(總組合之)熱點體積內所有立體像素的整體平均強度，例如根據方程式(10a)或(10b))；總體積病變體積，其量化在特定時間點在個體內偵測之病變的總體積(例如計算為特定醫學影像內偵測之對應熱點集合之所有個別熱點體積的總和)；及強度加權之腫瘤體積(ILTV)評分(例如aPSMA評分)，作為所有個別病變體積之加權和計算，各個別病變體積加權(例如乘以)其強度之量測值[例如其中熱點強度之量測值為病變指標，該病變指標基於與指示一或多個諸如主動脈部分及肝臟之對應參考組織區域內的生理(例如正常、非癌症相關)放射性藥品吸收之一或多個參考強度的比較來在標準化標度上量化熱點強度] [例如根據方程式(12)計算]。
在某些實施例中，該方法進一步包含對於複數個醫學影像之各特定醫學影像，基於對應熱點集合確定整體疾病階段(例如文數字編碼)且指示患者在特定時間點之整體疾病狀態及/或負荷，且藉由處理器呈現整體疾病階段(例如文數字編碼)在各時間點之圖形表示。
在某些實施例中，該方法進一步包含：對於複數個醫學影像中之各者，藉由處理器測定一或多個參考強度值之集合，其各自指示患者內之特定參考組織區域(例如主動脈部分；例如肝)內之放射性藥品的生理(例如正常、非癌症相關)吸收，且基於在醫學影像內鑑別之對應參考體積內的影像立體像素之強度計算；及藉由處理器呈現一或多個參考強度值之表示(例如表；例如圖示中之軌跡)。
在另一態樣中，本發明係針對一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標之值的方法，該方法包含：(a)藉由計算器件之處理器接收使用功能成像模態獲得之個體的3D功能影像；(b)藉由處理器將3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示個體內之潛在癌病變，由此獲得3D熱點體積之集合；(c)藉由處理器，對於一或多個個別熱點量化度量中之各特定者計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值，其中對於特定個別3D熱點體積，各熱點量化度量量化特定3D熱點體積之特性(例如強度、體積等)且為(例如計算為)特定3D熱點體積內立體像素之強度及/或個別數目的特定函數；及(d)藉由處理器測定一或多個患者指標之值，其中至少一部分患者指標中之各者與一或多個特定個別熱點量化度量相關，且使用具有組合之熱點體積內立體像素之強度及/或數目的(例如同一)特定函數來計算，該組合之熱點體積包含3D熱點體積之集合的至少一部分(例如實質上所有；例如特定子集) (例如形成為其之聯集(union))。
在某些實施例中，特定患者指標為整體平均立體像素強度且經計算為位於組合之熱點體積內的立體像素強度之整體平均值。
在另一態樣中，本發明係針對一種用於自個體之一或多個醫學影像[例如一或多個PSMA PET影像(在向個體投與PSMA靶向化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動測定患有前列腺癌之個體之預後的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之一或多個影像；(b)藉由處理器由一或多個影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓(rib cage)等)；(iii)標準生理吸收值(standard physiological uptake value，SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者)；及(c)自(b)中之量化評估自動確定個體之預後，其中預後包含個體的以下中之一或多者：(I)預期存活期(例如月數)、(II)預期疾病進展時間、(III)預期放射照相進展時間、(IV)同時(同步)癌轉移之風險及(V)未來(異時(metachronous))癌轉移之風險。
在某些實施例中，步驟(b)中確定之一或多種前列腺癌病變的量化評估包含以下中之一或多者：(A)總腫瘤體積、(B)腫瘤體積之變化、(C)總SUV及(D) PSMA評分，且其中在步驟(c)中確定之個體的預後包含以下中之一或多者：(E)預期存活期(例如月數)、(F)進展時間及(G)放射照相進展時間。
在某些實施例中，步驟(b)中確定之一或多種前列腺癌病變的量化評估包含前列腺中PSMA表現之一或多個特徵，且其中步驟(c)中確定之個體的預後包含同時(同步)癌轉移之風險及/或未來(異時)癌轉移之風險。
在另一態樣中，本發明係針對一種用於自個體之複數個醫學影像[例如一或多個PSMA PET影像(在向個體投與靶向PSMA化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體對治療之反應的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之複數個影像，其中複數個影像中之至少第一影像係在投與治療之前獲得且複數個影像中之至少第二影像係在投與治療之後(例如在一段時間之後)獲得；(b)藉由處理器由影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者) (例如其中量化評估包含反應評估準則之PSMA成像(Response Evaluation Criteria in PSMA-imaging，RECIP)準則及/或PSMA PET進展(PPP)準則)；及(c)自(b)中之量化評估自動確定個體是否對治療有反應(例如有反應/無反應)及/或個體對治療有反應的程度(例如數值或分類)。
在另一態樣中，本發明係針對一種使用個體之複數個醫學影像[例如一或多個PSMA PET影像(在向個體投與靶向PSMA化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動鑑別患有前列腺癌(例如轉移性前列腺癌)之個體是否可能受益於前列腺癌之特定治療的方法，該方法包含：(a)藉由計算器件之處理器接收及/或存取個體之複數個影像；(b)藉由處理器由影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者) (例如其中量化評估包含反應評估準則之PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則)；及(c)自(b)中之量化評估自動確定個體是否可能受益於前列腺癌之特定治療[例如針對個體測定一或多種特定治療及/或一類治療，例如特定放射性配位體療法，例如鎦維匹泰德特拉歇坦(Pluvicto®)的合格性評分]。
在另一態樣中，本發明係針對一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標之值的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收使用功能成像模態獲得之個體的3D功能影像；(b)將3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示個體內之潛在癌病變，由此獲得3D熱點體積之集合；(c)對於一或多個個別熱點量化度量中之各特定者，計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值；及(d)測定一或多個患者指標之值，其中至少一部分患者指標中之各者與一或多個特定個別熱點量化度量相關，且係針對3D熱點體積集合所計算之一或多個特定個別熱點量化度量之值的至少一部分(例如實質上所有；例如特定子集)的函數。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0011] - [0038])所表達(articulate)之一或多個步驟。
在另一態樣中，本發明係針對一種用於自動分析個體之醫學影像[例如三維影像，例如核醫學影像(例如骨掃描(閃爍攝影術)、PET及/或SPECT)，例如解剖影像(例如CT、X射線、MRI)，例如組合之核醫學及解剖影像(例如重疊)]之時間序列的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收及/或存取個體之醫學影像的時間序列；及(b)鑑別醫學影像中之各者內的複數個熱點，且藉由處理器測定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)] [例如其中步驟(b)包含使用機器學習模組/模型]。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像(例如以評估個體之疾病病況及/或進展)的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收及/或存取個體之複數個醫學影像且藉由處理器獲得複數個3D熱點圖，其各自對應於(複數個中之)特定醫學影像且鑑別特定醫學影像內之一或多個熱點(例如表示個體內可能的潛在身體病變)；(b)對於複數個醫學影像之各特定影像(醫學影像)，使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別特定醫學影像內之器官區域之集合[例如表示個體內之軟組織及/或骨骼結構(例如一或多根頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖；(c)使用(i)複數個3D熱點圖及(ii)複數個3D解剖分段圖來確定一或多個病變對應性之鑑別，各(病變對應性)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由處理器)表示個體內之同一潛在身體病變；及(d)基於複數個3D熱點圖及一或多個病變對應性之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間推移/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者進行分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示對療法及/或其他臨床結果之預測反應)}之值。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0041]-[0055])所表達之一或多個步驟。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)獲得(例如接收及/或存取，及/或產生)個體之第一3D熱點圖；(b)獲得(例如接收及/或存取，及/或產生)與第一3D熱點圖相關之第一3D解剖分段圖；(c)獲得(例如接收及/或存取，及/或產生)個體之第二3D熱點圖；(d)獲得(例如接收及/或存取，及/或產生)與第二3D熱點圖相關之第二3D解剖分段圖；(e)使用/基於第一3D解剖分段圖及第二3D解剖分段圖確定配準場域(例如3D配準場域及/或逐點配準)；(f)使用配準場域將第一3D熱點圖與第二3D熱點圖配準，由此產生3D熱點圖之共配準對；(g)使用3D熱點圖之共配準對確定一或多個病變對應性之鑑別；及(f)儲存及/或提供一或多個病變對應性之鑑別以用於顯示及/或進一步處理。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像(例如以評估個體之疾病病況及/或進展)的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收及/或存取個體之複數個醫學影像；(b)對於複數個醫學影像之各特定影像(醫學影像)，使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別特定醫學影像內之器官區域之集合[例如表示個體內之軟組織及/或骨骼結構(例如一或多根頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖；(c)使用複數個3D解剖分段圖確定一或多個配準場域(例如全3D配準場域；例如逐點配準)且應用一或多個配準場域以配準複數個醫學影像，由此產生複數個配準之醫學影像；(d)針對複數個配準之醫學影像中之各特定者，確定鑑別特定配準之醫學影像內的一或多個熱點(例如表示個體內有可能的潛在身體病變)的對應配準之3D熱點圖，由此產生複數個配準之3D熱點圖；(e)使用複數個3D配準之熱點圖確定一或多個病變對應性之鑑別，各(病變對應性)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由處理器)表示個體內之同一潛在身體病變；及(d)基於複數個3D熱點圖及一或多個病變對應性之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間推移/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者進行分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示對療法及/或其他臨床結果之預測反應)}之值。
在另一態樣中，本發明係針對一種用於分析個體之複數個醫學影像的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)獲得(例如接收及/或存取，及/或產生)個體之第一3D解剖影像(例如CT、X射線、MRI等)及第一3D功能影像[例如核醫學影像(例如PET、SPECT等)]；(b)獲得(例如接收及/或存取，及/或產生)個體之第二3D解剖影像及第二3D功能影像；(c)基於(例如使用)第一3D解剖影像獲得(例如接收及/或存取，及/或產生)第一3D解剖分段圖；(d)基於(例如使用)第二3D解剖影像獲得(例如接收及/或存取，及/或產生)第二3D解剖分段圖；(e)使用/基於第一3D解剖分段圖及第二3D解剖分段圖確定配準場域(例如3D配準場域及/或逐點配準)；(f)使用配準場域將第二3D功能影像與第一3D功能影像配準(與其對準)，由此產生第二3D功能影像之配準版本；(g)獲得與第一功能影像相關之第一3D熱點圖；(h)使用第二3D功能影像之配準版本確定第二3D熱點圖，第二3D熱點圖由此與第一3D熱點圖配準；(g)使用第一3D熱點圖及與其配準之第二3D熱點圖確定一或多個病變對應性之鑑別；及(f)儲存及/或提供一或多個病變對應性之鑑別以用於顯示及/或進一步處理。
在另一態樣中，本發明係關於一種自動或半自動全身評估患有轉移性前列腺癌[例如轉移性耐去勢性前列腺癌(mCRPC)或轉移性激素敏感性前列腺癌(mHSPC)]之個體以評估疾病進展及/或治療功效的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時，使處理器：(a)接收個體之第一靶向前列腺特異性膜抗原(PSMA)的正電子發射斷層攝影術(PET)影像(第一PSMA-PET影像)及個體之第一3D解剖影像[例如電腦斷層攝影術(CT)影像；例如磁共振影像(MRI)]，其中個體之第一3D解剖影像與第一PSMA PET影像同時或緊接在其之後或緊接在其之前(例如與其在同一日期)獲得，使得第一3D解剖影像及第一PSMA PET影像對應於第一日期，且其中影像描繪個體身體之足夠大的區域以涵蓋轉移性前列腺癌已擴散至的身體區域(例如涵蓋多個器官之完整軀幹影像或全身影像) {例如其中PSMA-PET影像係使用PYLARIFY®、F-18 piflufolastat PSMA (亦即，2-(3-{1-羧基-5-[(6-[18F]氟-吡啶-3-羰基)胺基]-戊基}脲基)-戊二酸，亦稱為[18F]F-DCFPyL)，或Ga-68 PSMA-11，或其他放射性標記之前列腺特異性膜抗原抑制劑成像劑獲得}；(b)接收個體之第二PSMA-PET影像及個體之第二3D解剖影像，兩者均在第一日期之後的第二日期獲得；(c)使用在第一及第二3D解剖影像內自動鑑別之地標(例如所鑑別區域表示頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左側股骨；右側股骨；頭骨、腦及下頜骨中之一或多者)自動確定配準場域(例如全3D配準場域；例如逐點配準)，及藉由處理器，使用確定之配準場域來對準第一及第二PSMA-PET影像[例如在將CT及/或PSMA-PET影像分段以鑑別器官及/或骨骼的邊界之前或之後，及在自PSMA-PET影像進行自動熱點(例如病變)偵測之前或之後]；及(d)使用由此對準之第一及第二PSMA-PET影像以自動偵測(例如分期及/或量化)疾病自第一日期至第二日期之變化(例如進展或緩解) [例如自動鑑別及/或按原樣鑑別(例如標示、標記)如下(i)及(ii)中之一者或兩者：(i)病變數目之變化{例如一或多種新病變(例如器官特異性病變)，或一或多種病變(例如器官特異性)之消除}，及(ii)腫瘤尺寸之變化{例如腫瘤尺寸之增加(PSMA-VOL增加/降低)，例如總腫瘤尺寸，或腫瘤尺寸之降低(PSMA-VOL降低)} {例如一或多種特定病變各體積的變化，或特定類型病變(例如器官特異性腫瘤)之整體體積的變化，或所鑑別病變之總體積的變化}。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0064] - [0067])所表達之一或多個步驟。
在另一態樣中，本發明係關於一種量化及報導患有癌症及/或處於癌症風險之患者之疾病(例如腫瘤)負荷的系統，該方法包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)獲得患者之醫學影像；(b)偵測醫學影像內之一或多個(例如複數個)熱點，醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)對於表示特定組織區域及/或病變子類型之複數個病變類別的各特定病變類別：鑑別屬於特定病變類別之一或多個熱點的對應子集(例如基於藉由處理器進行確定，熱點表示位於特定組織區域內及/或屬於特定病變類別表示之特定病變子類型的潛在身體病變)；及基於對應熱點子集來測定量化特定病變類別內及/或與特定病變類別相關之疾病(例如腫瘤)負荷的一或多個患者指標之值；及(e)呈現針對複數個病變類別中之各者所計算的患者指標值之圖形表示(例如列出各病變類別及針對各病變類別所計算之患者指標值的概述表)，由此為使用者提供概述特定組織區域內及/或與特定病變子類型相關之腫瘤負荷的圖形報告。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0069] - [0074])所表達之一或多個步驟。
在某些實施例中，本發明係針對一種基於患有癌症及/或處於癌症風險下之患者的成像評估來表徵及報導所偵測之個別病變的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)獲得患者之醫學影像；(b)偵測醫學影像內之一或多個(例如複數個)熱點的集合，醫學影像內之該集合的各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)將一或多個病變類別標記分配至該集合的一或多個熱點中之各者，各病變類別標記類別表示特定組織區域及/或病變子類型且將熱點鑑別為表示位於特定組織區域內之潛在病變及/或屬於病變子類型；(d)針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別熱點的特定個別熱點量化度量之值；及(e)顯示圖形表示，其對於集合之熱點之至少一部分的各特定熱點包含特定熱點之鑑別(例如表中之列，且視情況包含文數字鑑別，諸如鑑別特定熱點之數目)，以及分配至特定熱點之一或多個病變類別標記及針對特定熱點計算之一或多個個別熱點量化度量之值[例如概述表(例如可滾動概述表)，將各個別熱點列為一行且分配之病變類別及熱點量化度量按列列出]。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0076] - [0079])所表達之一或多個步驟。
在另一態樣中，本發明係針對一種用於量化及報導患有癌症及/或處於癌症風險下之患者隨時間推移之疾病(例如腫瘤)進展及/或風險的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)獲得患者之複數個醫學影像，各醫學影像表示在特定時間獲得之患者的掃描(例如縱向資料集)；(b)對於複數個醫學影像中之各特定者，偵測特定醫學影像內之一或多個(例如複數個)熱點的對應集合，醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其環境具有升高之強度(例如及/或係以其他方式指示或增加之放射性藥品吸收)]且表示個體內可能的潛在身體病變；(c)對於量測(例如量化)在特定時間之患者內之整體疾病(例如腫瘤)負荷的一或多個(例如整體)患者指標中之各特定者，基於針對特定醫學影像所偵測之對應熱點集合，測定複數個醫學影像之各特定醫學影像的特定(例如整體)患者指標之值，由此針對一或多個患者指標中之各特定者測定一值集合，該值集合藉由對特定患者指標值量測來追蹤隨時間推移之疾病負荷的變化；及(d)顯示一或多個患者指標值之至少一部分(例如特定一者、特定子集)的值集合之圖形表示，由此向患者傳達隨時間推移之疾病進展的量測值。
在某些實施例中，該系統具有一或多個特徵及/或指令使得處理器執行本文中(例如在以上段落中，例如在段落[0081]-[0083])所表達之一或多個步驟。
在另一態樣中，本發明係針對一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標之值的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收使用功能成像模態獲得之個體的3D功能影像；(b)將3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示個體內之潛在癌病變，由此獲得3D熱點體積之集合；(c)對於一或多個個別熱點量化度量中之各特定者，計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值，其中對於特定個別3D熱點體積，各熱點量化度量量化特定3D熱點體積之特性(例如強度、體積等)且為(例如，經計算為)特定3D熱點體積內個別立體像素之強度及/或數目的特定函數；及(d)測定一或多個患者指標之值，其中至少一部分患者指標中之各者與一或多個特定個別熱點量化度量相關，且使用具有組合之熱點體積內立體像素之強度及/或數目的(例如同一)特定函數來計算，該組合之熱點體積包含3D熱點體積之集合的至少一部分(例如實質上所有；例如特定子集) (例如形成為其之聯集)。
在某些實施例中，特定患者指標為整體平均立體像素強度且以位於組合之熱點體積內的立體像素強度之整體平均值計算。
在另一態樣中，本發明係針對一種用於自個體之一或多個醫學影像[例如一或多個PSMA PET影像(在向個體投與靶向PSMA化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體之預後的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收及/或存取個體之一或多個影像；(b)自一或多個影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準吸收值(standard uptake value，SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者)；及(c)自(b)中之量化評估自動確定個體之預後，其中預後包含個體的以下中之一或多者：(I)預期存活期(例如月數)、(II)預期疾病進展時間、(III)預期放射照相進展時間、(IV)同時(同步)癌轉移之風險及(V)未來(異時)癌轉移之風險。
在某些實施例中，步驟(b)中確定之一或多種前列腺癌病變的量化評估包含以下中之一或多者：(A)總腫瘤體積、(B)腫瘤體積之變化、(C)總SUV及(D) PSMA評分，且其中在步驟(c)中確定之個體的預後包含以下中之一或多者：(E)預期存活期(例如月數)、(F)進展時間及(G)放射照相進展時間。
在某些實施例中，步驟(b)中確定之一或多種前列腺癌病變的量化評估包含前列腺中PSMA表現之一或多個特徵，且其中步驟(c)中確定之個體的預後包含同時(同步)癌轉移之風險及/或未來(異時)癌轉移之風險。
在另一態樣中，本發明係針對一種用於自個體之複數個醫學影像[例如一或多個PSMA PET影像(在向個體投與靶向PSMA化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體對治療之反應的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)藉由計算器件之處理器接收及/或存取個體之複數個影像，其中複數個影像中之至少第一影像係在投與治療之前獲得且複數個影像中之至少第二影像係在投與治療之後(例如在一段時間之後)獲得；(b)自影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者) (例如其中量化評估包含反應評估準則之PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則)；及(c)自(b)中之量化評估自動確定個體是否對治療有反應(例如有反應/無反應)及/或個體對治療有反應的程度(例如數值或分類)。
在另一態樣中，本發明係針對一種使用個體之複數個醫學影像[例如一或多個PSMA PET影像(在向個體投與靶向PSMA化合物後獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動鑑別患有前列腺癌(例如轉移性前列腺癌)之個體是否可能受益於前列腺癌之特定治療的系統，該系統包含：計算器件之處理器；及其上具有儲存之指令的記憶體，其中指令在由處理器執行時使處理器進行以下操作：(a)接收及/或存取個體之複數個影像；(b)自影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之方法中之一或多者) (例如其中量化評估包含反應評估準則之PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則)；及(c)自(b)中之量化評估自動確定個體是否可能受益於前列腺癌之特定治療[例如針對個體測定一或多種特定治療及/或一類治療，例如特定放射性配位體療法，例如鎦維匹泰德特拉歇坦(Pluvicto®)的合格性評分]。
在另一態樣中，本發明係針對一種用於治療(例如經由多個週期之治療劑)患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於特定疾病風險下之個體的治療劑，該個體已(i)投與治療劑之第一週期且(例如在治療劑之第一週期之前及/或期間及/或之後)成像，(ii)使用本文中，例如以上段落，諸如段落[0010]-[0059]中所描述之方法鑑別為對治療劑有反應者)(例如基於使用本文中，例如以上段落中，諸如段落[0010]-[0059]中所描述之方法測定的一或多個風險指標之值，個體已鑑別/分類為有反應者)。
在另一態樣中，本發明係針對一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於特定疾病風險下之個體的第二(例如第二線)治療劑，該個體已(i)投與初始、第一治療劑之週期且(例如在第一治療劑之週期之前及/或期間及/或之後)成像，及(ii)使用本文中，例如以上段落，諸如段落[0010]-[0059]中所描述之方法鑑別為對第一治療劑無反應者) (例如基於使用本文中，例如以上段落，諸如段落[0010]-[0059]中所描述之方法測定的一或多個風險指標之值，個體已鑑別/分類為無反應者) (例如由此使個體接受可能更有效的療法)。
關於本發明之另一態樣，可應用關於本發明之一個態樣所描述的實施例之特徵。
相關申請案之交互參考
本申請案主張2022年6月8日申請之美國臨時申請案第63/350,211號、2023年4月7日申請之美國臨時申請案第63/458,031號及2023年4月24日申請之美國臨時申請案第63/461,486號的優先權及權益，該等案中之各者的內容以全文引用之方式併入本文中。
某些定義
為了使本揭示案更容易理解，首先在下文定義某些術語。以下術語及其他術語之額外定義闡述於本說明書通篇中。
一 ( a ) 、一 ( an ) ： 本文中使用冠詞「
一 ( a )」及「
一 ( an )」以指代該冠詞之文法對象中之一者或多於一者(亦即，至少一者)。藉助於實例，「元件」意謂一個元件或多於一個元件。因此，在本說明書及隨附申請專利範圍中，除非上下文另外明確規定，否則單數形式「一(a)」、「一(an)」及「該(the)」包括複數個提及物。因此，舉例而言，提及包含「藥劑」之醫藥組合物包括提及兩種或更多種藥劑。
約、大約 ： 如本申請案中所使用，術語「
約」與「
大約」等效使用。在存在或不存在約/大致之情況下用於本申請案之任何數值意欲涵蓋相關領域之一般技術者所瞭解的任何正常波動。在某些實施例中，除非另外陳述或以其他方式自上下文顯而易見，否則術語「大約」或「約」係指在所陳述之參考值之任一方向上(大於或小於)處於25%、20%、19%、18%、17%、16%、15%、14%、13%、12%、11%、10%、9%、8%、7%、6%、5%、4%、3%、2%、1%或更小之值的範圍(除非此類數值將超過可能值之100%)。
第一、第二等 ： 應理解，除非明確地陳述此限制，否則使用諸如「第一」、「第二」等名稱對本文中之元件的任何參考並不限制彼等元件之數量或次序。實情為，本文中可使用此等名稱作為區別兩個或更多個元件或元件之例項的習知方法。因此，對第一元件及第二元件之參考並不意謂僅可使用兩個元件或第一元件必須以某種方式先於第二元件。另外，除非另外陳述，否則元件之集合可包含一或多個元件。
影像 ： 如本文所用，「影像」-例如個體之3D影像，包括顯示或儲存於記憶體中之諸如相片、視訊圖框、串流視訊以及相片(例如數位影像)、視訊圖框或串流視訊之任何電子、數位或數學類比的任何視覺表示(例如可但不必顯示數位影像以用於目視檢查)。在某些實施例中，本文所描述之任何裝置包括用於顯示影像或由處理器產生之任何其他結果的顯示器。在某些實施例中，本文所描述之任何方法包括顯示影像或經由該方法產生之任何其他結果的步驟。在某些實施例中，影像為傳達隨著3D體積內之位置而變化之資訊的3D影像。此類影像可例如以數位方式表示為3D矩陣(例如
N×
M×
L矩陣)，其中3D影像之各立體像素由3D矩陣之元素表示。亦涵蓋且包括其他表示，舉例而言，可藉由端對端地(end to end)拼接各行或列而將3D矩陣重塑為向量(例如1×
K尺寸向量，其中
K為立體像素之總數)。影像之實例包括例如醫學影像，諸如骨掃描影像(亦稱為閃爍攝影術影像)、電腦斷層攝影術(CT)影像、磁共振影像(MRI)、光學影像(例如明視野顯微鏡影像、螢光影像、反射或透射影像等)、正電子發射斷層攝影術(PET)影像、單光子發射斷層攝影術(SPECT)影像、超音波影像、
x射線影像及其類似影像。在某些實施例中，醫學影像為或包含核醫學影像，其由自經成像之個體內發射之輻射產生。在某些實施例中，醫學影像為或包含解剖影像(例如3D解剖影像)，其傳達關於個體內諸如內臟、骨骼、軟組織及血管之解剖結構之位置及程度的資訊。解剖影像之實例包括但不限於x射線影像、CT影像、MRI及超音波影像。在某些實施例中，醫學影像為或包含功能影像(例如3D功能影像)，其傳達與特定器官及/或組織內之生理活動，諸如代謝、血流、區域化學組成、吸收等相關的資訊。功能影像之實例包括但不限於核醫學影像，諸如PET影像、SPECT影像以及其他功能成像模態，諸如功能MRI (fMRI)，其量測用於評估腦活性之血流中的小變化。
圖 (map) ： 如本文所用，術語「
圖」理解為意謂視覺顯示或任何可針對視覺顯示解釋之資料表示，其含有空間相關資訊。舉例而言，給定體積之三維圖可包括給定數量之值的資料集，該給定數量在整個體積的三個空間維度上變化。可在二維中(例如在二維螢幕上或在二維印刷輸出上)顯示三維圖。
分段圖 ： 如本文所用，術語「
分段圖」係指電腦表示(computer representation)，其鑑別藉由將影像分段而確定的一或多個2D或3D區域。在某些實施例中，分段圖可區分地鑑別多個不同(例如分段)區域，從而允許該等區域個別地且可區分地存取及操作例如一或多個影像及/或用於在例如一或多個影像上操作。
3D 、三維 ： 如本文所用，參考「影像」之「
3D」或「
三維」意謂傳達關於三個維度之資訊。3D影像可作為三維之資料集呈現及/或可作為二維表示之集合或作為三維表示顯示。在某些實施例中，3D影像表示為立體像素(voxel) (例如立體的像素(volumetric pixel))資料。
全身 ： 如本文所用，在分段及其他方式鑑別個體之影像內之區域的情況下，(可互換地)使用的術語「全身(full body)」及「全身(whole body)」係指評估3D解剖影像中個體身體之大部分(例如大於50%)圖形表示以鑑別所關注之目標組織區域的方法。在某些實施例中，全身及全身(full body and whole body)分段係指在個體之至少整個軀幹內目標組織區域之鑑別。在某些實施例中，亦包括肢體之部分以及個體之頭部。
放射性核種 ： 如本文所用，「
放射性核種」係指包含至少一種元素之放射性同位素的部分。例示性適合放射性核種包括但不限於本文所描述之彼等放射性核種。在一些實施例中，放射性核種為用於正電子發射斷層攝影術(PET)中之一者。在一些實施例中，放射性核種為用於單光子發射電腦斷層攝影術(SPECT)中之一者。在一些實施例中，放射性核種之非限制性清單包括
99mTc、
111In、
64Cu、
67Ga、
68Ga、
186Re、
188Re、
153Sm、
177Lu、
67Cu、
123I、
124I、
125I、
126I、
131I、
11C、
13N、
15O、
18F、
153Sm、
166Ho、
177Lu、
149Pm、
90Y、
213Bi、
103Pd、
109Pd、
159Gd、
140La、
198Au、
199Au、
169Yb、
175Yb、
165Dy、
166Dy、
105Rh、
111Ag、
89Zr、
225Ac、
82Rb、
75Br、
76Br、
77Br、
80Br、
80mBr、
82Br、
83Br、
211At及
192Ir。
放射性藥品 ： 如本文所用，術語「
放射性藥品」係指包含放射性核種之化合物。在某些實施例中，放射性藥品用於診斷及/或治療目的。在某些實施例中，放射性藥品包括標記有一或多個放射性核種之小分子、標記有一或多個放射性核種之抗體及標記有一或多個放射性核種之抗體的抗原結合部分。
機器學習模組 ： 本文所描述之某些實施例借助(例如包括)軟體指令，該等軟體指令包括在本文中亦被稱作人工智慧軟體之一或多個
機器學習模組。如本文所用，術語「機器學習模組」係指實施一或多個特定機器學習算法的電腦實施之程序(例如函數)，以便針對給定輸入(諸如影像(例如2D影像；例如3D影像)、資料集及其類似者)測定一或多個輸出值。舉例而言，機器學習模組可接收個體之3D影像(例如CT影像；例如MRI)作為輸入，且針對影像之各立體像素，測定表示立體像素處於對應於個體之特定器官或組織之表示的3D影像之區域內之可能性的值。在某些實施例中，兩個或更多個機器學習模組可經組合且以單一模組及/或單一軟體應用程式實施。在某些實施例中，兩個或更多個兩個機器學習模組亦可單獨地實施，例如以單獨軟體應用程式實施。機器學習模組可為軟體及/或硬體。舉例而言，機器學習模組可完全以軟體實施，或CNN模組之某些功能可經由專用硬體(例如經由特殊應用積體電路(application specific integrated circuit，ASIC))進行。
個體 ： 如本文所用，「
個體」意謂人類或其他哺乳動物(例如嚙齒動物(小鼠、大鼠、倉鼠)、豬、貓、狗、馬、靈長類動物、兔及其類似動物)。
投與 ： 如本文所用，「
投與」藥劑意謂將物質(例如成像劑)引入至個體中。大體而言，可利用任何投與途徑，包括例如非經腸(例如靜脈內)、經口、局部、皮下、腹膜、動脈內、吸入、經陰道、經直腸、經鼻、引入至腦脊髓液中或滴注至身體區室中。
組織 ： 如本文所用，術語「
組織」係指骨(骨性組織)以及軟組織。
經考慮，所主張之發明的系統、架構、器件、方法及程序意欲涵蓋使用本文所描述之實施例的資訊所進行之變化及改編。如此描述所涵蓋，可進行本文所描述之系統、架構、器件、方法及程序之改編及/或修改。
在整個實施方式中，其中物品、器件、系統及架構描述為具有、包括或包含特定組分，或其中程序及方法描述為具有、包括或包含特定步驟，經考慮，另外存在基本上由所列舉之組分組成或由所列舉之組分組成的本發明之物品、器件、系統及架構，且存在基本上由所列舉之處理步驟組成或由所列舉之處理步驟組成的根據本發明之程序及方法。
應理解，步驟之次序或用於執行某一動作的次序是不重要的，只要本發明保持可操作即可。此外，可同時進行兩個或更多個步驟或動作。
本文中提及的任何公開案(例如在先前技術部分中)並非承認該公開案充當關於本文中存在之申請專利範圍中之任一項的先前技術。先前技術部分是出於清晰性的目的而存在，且並不意謂為對關於任何申請專利範圍的先前技術的描述。
如所指出，文檔以引用之方式併入本文中。當特定術語之涵義存在任何偏差時，由上述定義部分提供之涵義作為控制。
標頭係為了方便讀者而提供-標頭之存在及/或置放不意欲限制本文所描述之主題的範疇。
A. 核醫學影像
可使用諸如骨掃描成像(亦稱為閃爍攝影術)、正電子發射斷層攝影術(PET)成像及單光子發射斷層攝影術(SPECT)成像之核醫學成像模態獲得核醫學影像。
在某些實施例中，使用包含放射性藥品之成像劑獲得核醫學影像。核醫學影像可在向患者(例如人類個體)投與放射性藥品後獲得，且提供關於放射性藥品在患者內之分佈的資訊。
核醫學成像技術偵測自放射性藥品之放射性核種發射之輻射以形成影像。特定放射性藥品在患者體內之分佈可受諸如血流或灌注之生物機制以及受特異性酶促或受體結合相互作用影響及/或規定。不同放射性藥品可經設計以利用不同生物機制及/或特定特異性酶促或受體結合相互作用，且因此在向患者投與時，選擇性集中在患者內之特定組織類型及/或區域內。較大之輻射量自患者內之區域發射，該等區域具有比其他區域較高之放射性藥品濃度，使得此等區域在核醫學影像中看起來更亮。因此，核醫學影像內之強度變化可用於映射放射性藥品在患者內之分佈。放射性藥品在患者內之此映射分佈可用於例如推斷患者身體的不同區域內之癌組織之存在。在某些實施例中，例如PET影像之核醫學影像的立體像素之強度表示標準吸收值(SUV) (例如已針對注入之放射性藥品劑量及/或患者體重進行校準)。
舉例而言，在向患者投與後，鎝99m亞甲基二膦酸酯(
99mTc MDP)選擇性積聚於患者之骨骼區域內，尤其在與惡性骨病變相關之異常成骨的部位。放射性藥品在此等部位之選擇性濃度在核醫學影像中產生可鑑別的熱點，即高強度之局部區域。因此，與轉移性前列腺癌相關之惡性骨病變的存在可藉由鑑別患者之全身掃描內之此類熱點來推斷。在某些實施例中，諸如藉由偵測及評估熱點之特徵，分析在向患者投與
99mTc MDP後獲得之全身掃描的強度變化可用於計算與患者總存活期及指示疾病病況、進展、治療功效及其類似者之其他預後度量相關的風險指標。在某些實施例中，其他放射性藥品亦可以與
99mTc MDP類似之方式使用。
在某些實施例中，所用之特定放射性藥品視所用之特定核醫學成像模態而定。舉例而言，18F氟化鈉(NaF)亦在骨病變中積聚(類似於
99mTc MDP)，但可用於PET成像。在某些實施例中，PET成像亦可利用放射性形式之維生素膽鹼，其易於由前列腺癌細胞吸收。
在某些實施例中，可使用選擇性結合至所關注之特定蛋白質或受體之放射性藥品，尤其在癌組織中表現增加之彼等放射性藥品。此類所關注之蛋白質或受體包括但不限於腫瘤抗原，諸如CEA，其表現於結腸直腸癌中；Her2/neu，其表現於多種癌症中；BRCA 1及BRCA 2，表現於乳癌及卵巢癌中；以及TRP-1及TRP-2，表現於黑色素瘤中。
舉例而言，人類前列腺特異性膜抗原(PSMA)在前列腺癌，包括轉移性疾病中上調。幾乎所有前列腺癌表現PSMA且其表現在低分化之轉移性及激素難治性癌瘤中進一步增加。因此，包含經一或多個放射性核種標記之PSMA結合劑(例如對PSMA具有高親和力之化合物)的放射性藥品可用於獲得患者之核醫學影像，可自該等影像評估患者之多個區域(例如包括但不限於骨骼區域)內之前列腺癌之存在及/或狀態。在某些實施例中，當疾病處於局部狀態時，使用PSMA結合劑所獲得之核醫學影像用於鑑別前列腺內癌組織之存在。在某些實施例中，當疾病為轉移性時，使用包含PSMA結合劑之放射性藥品所獲得之核醫學影像用於鑑別多個區域內之癌組織的存在，該等區域不僅包括前列腺，且亦包括本身有關之其他器官及組織區域，諸如肺、淋巴結及骨。
特定言之，在向患者投與後，放射性核種標記之PSMA結合劑基於其對PSMA之親和力選擇性積聚在癌組織內。在與關於
99mTc MDP上文所描述之彼類似的方式中，放射性核種標記之PSMA結合劑在患者內之特定部位處的選擇性濃度在核醫學影像中產生可偵測熱點。當PSMA結合劑集中在表現PSMA之身體的多個癌組織及區域內時，可偵測及評估患者之前列腺內的局部癌症及/或患者身體之不同區域中的轉移性癌症。指示及/或量化個別病變之嚴重程度(例如可能惡性腫瘤)、患者之整體疾病負荷及風險及其類似者的各種度量可基於對在向患者投與PSMA結合劑放射性藥品後獲得之核醫學影像之強度變化的自動分析來計算。此等疾病負荷及/或風險度量可用於階段疾病且進行關於患者總存活期及指示疾病病況、進展、治療功效之其他預後度量的評估。
多種放射性核種標記之PSMA結合劑可用作核醫學成像之放射性藥品成像劑以偵測及評估前列腺癌。在某些實施例中，所用之特定放射性核種標記之PSMA結合劑視諸如特定成像模態(例如PET；例如SPECT)及待成像之患者之特定區域(例如器官)的因素而定。舉例而言，某些放射性核種標記之PSMA結合劑適合於PET成像，而其他適合於SPECT成像。舉例而言，某些放射性核種標記之PSMA結合劑有助於使患者之前列腺成像且主要在疾病具有侷限性時使用，而其他有助於使遍及患者身體之器官及區域成像且適用於評估轉移性前列腺癌。
若干例示性PSMA結合劑及其放射性核種標記之型式進一步詳細描述於本文部分H，以及美國專利第8,778,305號、第8,211,401號及第8,962,799號，及美國專利公開案第US 2021/0032206 A1號中，該等案中之各者之內容以全文引用之方式併入本文中。
B. 核醫學成像中之影像分段
核醫學影像為功能影像。功能影像傳達與特定器官及/或組織內之生理活動，諸如代謝、血流、區域化學組成及/或吸收相關的資訊。在某些實施例中，核醫學影像與解剖影像，諸如電腦斷層攝影術(CT)影像組合獲取及/或分析。解剖影像提供關於個體內諸如內臟、骨骼、軟組織及血管之解剖結構之位置及程度的資訊。解剖影像之實例包括但不限於x射線影像、CT影像、磁共振影像及超音波影像。
因此，在某些實施例中，可分析解剖影像以及核醫學影像，以便針對其(核醫學影像)傳達之功能資訊提供解剖背景。舉例而言，當諸如PET及SPECT之核醫學影像傳達個體內之放射性藥品的三維分佈時，自諸如CT成像之解剖成像模態添加解剖背景允許吾人測定放射性藥品已積聚於其中之特定器官、軟組織區域、骨骼等。
舉例而言，功能影像可與解剖影像對準，使得可鑑別各影像內對應於同一身體位置且因此對應於彼此之位置。舉例而言，功能影像及解剖影像內之座標及/或像素/立體像素可相對於共同座標系而界定，或建立解剖影像內之立體像素與功能影像內之立體像素之間的映射(亦即，函數關係)。以此方式，可將表示同一身體位置或體積的解剖影像內之一或多個立體像素及功能影像內之一或多個立體像素鑑別為與彼此對應。
舉例而言，圖1展示3D CT影像102及3D PET影像104之軸向切片，以及融合影像106，其中3D CT影像之切片以灰度顯示且其中PET影像顯示為半透明重疊圖。藉助於CT與PET影像之間的對準，指示積聚之放射性藥品及相應潛在病變的PET影像內之熱點的位置可在對應CT影像中鑑別，且在解剖情形中，例如在骨盆區域中之特定位置內(例如前列腺內)查看。圖1B展示另一PET/CT融合，其展示橫切面切片及矢狀面切片。
在某些實施例中，對準對為複合影像，諸如PET/CT或SPECT/CT。在某些實施例中，分別使用單獨的解剖及功能成像模態獲取解剖影像(例如3D解剖影像，諸如CT影像)及功能影像(例如3D功能影像，諸如PET或SPECT影像)。在某些實施例中，使用單一多模態成像系統獲取解剖影像(例如3D解剖影像，諸如CT影像)及功能影像(例如3D功能影像，諸如PET或SPECT影像)。功能影像及解剖影像可例如經由兩次掃描使用單一多模態成像系統獲取，例如首先進行CT掃描，且隨後第二次進行PET掃描，在此期間個體保持在實質上固定位置。
在某些實施例中，所關注之特定組織區域的3D邊界可藉由分析3D解剖影像來準確地鑑別。舉例而言，可進行3D解剖影像之自動分段以使諸如特定器官、器官子區域及軟組織區域以及骨骼之區域的3D邊界經分段。在某些實施例中，諸如前列腺、膀胱、肝臟、主動脈(例如主動脈之部分，諸如胸部主動脈)、腮腺等之器官經分段。在某些實施例中，一或多個特定骨骼經分段。在某些實施例中，整體構架經分段。
在某些實施例中，3D解剖影像之自動分段可使用一或多個機器學習模組來進行，該一或多個機器學習模組經訓練以接收3D解剖影像及/或其部分作為輸入且分段一或多個所關注特定區域，從而產生3D分段圖作為輸出。舉例而言，如名稱為「Systems and Methods for Platform Agnostic Whole Body Segmentation」且在2020年7月16日公佈之PCT公開案WO/2020/144134中所描述(其內容以全文引用之方式併入本文中)，實施卷積類神經網路(CNN)之多個機器學習模組可用於對個體之全身的3D解剖影像，諸如CT影像進行分段且藉此產生在個體身體中鑑別多個目標組織區域之3D分段圖。
在某些實施例中，例如為了將某些器官分段(其中咸信功能影像提供促進分段之額外有用的資訊)，機器學習模組可接收解剖影像及功能影像兩者作為輸入，例如作為輸入之兩個不同通道(例如類似於色彩、RGB、影像中之多個色彩通道)且使用此等兩種輸入以確定解剖分段。此多通道(multi-channel)方法進一步詳細描述於美國專利公開案第2021/0334974 A1號中，名稱為「Systems and Methods for Deep-Learning-Based Segmentation of Composite Images」且在2021年10月28日公佈，該案之內容以全文引用的方式併入本文中。
在某些實施例中，如圖2所示，解剖影像204 (例如3D解剖影像，諸如CT影像)及功能影像206 (例如3D功能影像，諸如PET或SPECT影像)可與彼此對準(例如共配準)，例如如在複合影像202，諸如PET/CT影像中。解剖影像204可經分段208以產生可區別地鑑別一或多個所關注組織區域及/或子區域，諸如一或多個特定器官及/或骨骼的分段圖210 (例如3D分段圖)。已自解剖影像204產生之分段圖210與解剖影像204對準，該解剖影像又與功能影像206對準。因此，經由分段圖210鑑別之諸如特定器官及/或骨骼之特定區域(例如分段遮罩(segmentation mask))的邊界可轉移至功能影像206上及/或與其重疊212以出於熱點分類之目的鑑別功能影像206內的體積，且測定充當癌症狀態、進展及對治療之反應的量測值及/或預測的有用指標。分段圖及遮罩亦可顯示為例如重疊於醫學影像上之圖形表示以指導醫師及其他醫學從業者。
C. 病變偵測及表徵
在某些實施例中，本文所描述之方法包括經由(例如自動)對諸如核醫學影像之醫學影像之分析偵測及表徵個體內之病變的技術。如本文所描述，在某些實施例中，熱點係在諸如3D功能影像之影像內相對於其環境的高強度之局部(例如連續)區域且可指示個體內存在之潛在癌病變。
多種方法可用於對熱點進行偵測、分段及分類。在某些實施例中，使用分析方法對熱點進行偵測及分段，該等方法諸如過濾技術，包括但不限於高斯差異(difference of Gaussians，DoG)過濾器及高斯拉普拉斯(Laplacian of Gaussians，LoG)過濾器。在某些實施例中，使用機器學習模組對熱點進行分段，該機器學習模組接收諸如PET影像之3D功能影像作為輸入，且產生將所鑑別熱點之邊界與背景區分開的熱點分段圖(「熱點圖」)作為輸出。在某些實施例中，熱點圖內之各分段熱點可經個別地鑑別(例如個別地標記)。在某些實施例中，除3D功能影像以外，用於將熱點分段之機器學習模組亦可將3D解剖影像(例如CT影像)及3D解剖分段圖中之一或兩者視為輸入。3D解剖分段圖可經由3D解剖影像之自動分段(例如如本文中所描述)產生。
在某些實施例中，分段熱點可根據該等分段熱點所位於其中之解剖區域分類。舉例而言，在某些實施例中，熱點圖內個別分段熱點的位置(表示及鑑別分段熱點)可與3D解剖分段圖內諸如各種器官及骨骼之分段組織區域的3D邊界比較，且根據其位置(例如基於鄰近特定器官及/或與特定器官重疊)進行標記。在某些實施例中，機器學習模組可用於對熱點進行分類。舉例而言，在某些實施例中，機器學習模組可產生熱點圖作為輸出，其中分段熱點不僅個別地經標記且係可鑑別的(例如可彼此區分)，而且亦經標記為例如對應於骨骼、淋巴或前列腺病變中之一者。在某些實施例中，一或多個機器學習模組可彼此組合，以及與分析分段(例如定限)技術組合，以並行(in parallel)且依序進行各種任務以產生最終標記之熱點圖。
可與本文所描述之各種方法一起使用，用於進行3D解剖影像之詳細分段及表示3D功能影像中之病變的熱點之鑑別的各種方法描述於以下：PCT公開案WO/2020/144134，名稱為「Systems and Methods for Platform Agnostic Whole Body Segmentation」且在2020年7月16日公佈；美國專利公開案第US 2021/0334974 A1號，名稱為「Systems and Methods for Deep-Learning-Based Segmentation of Composite Images」且在2021年10月28日公佈；及PCT公開案WO/2022/008374，名稱為「Systems and Methods for Artificial Intelligence-Based Image Analysis for Detection and Characterization of Lesions」且在2022年1月13日公佈，該等案中之各者之內容全文併入本文中。
圖3展示基於PCT公開案WO 2022/008374中進一步詳細描述之實例方法將熱點分段及分類的實例程序300，該PCT公開案名稱為「Systems and Methods for Artificial Intelligence-Based Image Analysis for Detection and Characterization of Lesions」且在2022年1月13日公佈。圖3中所示之方法使用兩種機器學習模組，其中之各者接收3D功能影像306、3D解剖影像304及3D解剖分段圖310作為輸入。機器學習模組312a為藉由將立體像素標記為熱點或背景(並非熱點)而產生單類熱點圖320a的二元分類器。機器學習模組312b進行多類分段，且產生多類熱點圖320b，其中熱點均經分段且標記為三種類別，前列腺、淋巴或骨骼中之一者。此外，以此方式，即經由機器學習模組312b (例如相對於直接比較熱點部位與來自分段圖310之分段邊界)對熱點進行分類避免了對特定區域進行分段之需要。舉例而言，在某些實施例中，機器學習模組312b可將熱點分類為屬於前列腺、淋巴或骨骼，而無已自3D解剖影像304鑑別及分段之前列腺區域(例如在某些實施例中，3D解剖分段圖310不包含前列腺區域)。在某些實施例中，熱點圖320a及320b例如藉由將標記自多類熱點圖320b轉移至單類熱點圖320a中鑑別之熱點分段(例如基於重疊)而經合併。在不希望束縛於任何特定理論的情況下，咸信此方法將來自單類機器學習模組312a之熱點的經改良分段及偵測與來自多類機器學習模組312b的分類結果組合。在某些實施例中，使用諸如PCT公開案WO/2022/008374中所描述之適應性定限技術的分析技術，進一步改進經由此最終合併之熱點圖鑑別的熱點區域，該PCT公開案名稱為「Systems and Methods for Artificial Intelligence-Based Image Analysis for Detection and Characterization of Lesions」且在2022年1月13日公佈。
在某些實施例中，一旦經偵測及分段，熱點即可根據其所位於之特定解剖(例如組織)區域及/或其很可能表示之特定病變子類型係鑑別及分配之標記。舉例而言，在某些實施例中，熱點可分配有解剖位置，該解剖位置將其鑑別為表示具有諸如以下表1中所列出之組織區域的集合中之一者的位置。在某些實施例中，組織區域之清單可包括表1中之彼等組織區域以及臀大肌(例如左側及右側)及膽囊。在某些實施例中，基於機器學習分類及/或經由比較熱點之3D熱點體積的位置及/或與經由解剖分段圖中之遮罩鑑別之各種組織體積的重疊，將熱點指派至特定組織區域及/或標記為屬於特定組織區域。在某些實施例中，前列腺未經分段。舉例而言，如上文所描述，在某些實施例中，機器學習模組312b可將熱點分類為屬於前列腺、淋巴或骨骼，而無已自3D解剖影像304鑑別及分段之前列腺區域。
表 1 ：某些組織區域(*在某些實施例中，前列腺可視情況經分段(若存在)，若患者已例如經歷根除性前列腺切除術，則可能不存在，或可任何情況下不經分段)
| 器官 / 骨骼 |
| 右肺及右肺 |
| 左股骨及右股骨 |
| 左髖骨及右髖骨 |
| 膀胱 |
| 骶骨及尾骨 |
| 肝臟 |
| 脾 |
| 左腎及右腎 |
| 左側及右側肋骨1-12 |
| 左肩胛骨及右肩胛骨 |
| 左鎖骨及右鎖骨 |
| 頸椎 |
| 胸椎1-12 |
| 腰椎1-5 |
| 胸骨 |
| 主動脈，胸部部分 主動脈，腹部部分 |
| 前列腺* |
在某些實施例中，另外或替代地，熱點可分類為屬於一或多個病變子類型。在某些實施例中，可藉由比較熱點位置與解剖區域之類別來進行病變子類型分類。舉例而言，在某些實施例中，可使用miTNM分類方案，其中基於熱點是否表示位於前列腺(miT)、骨盆淋巴結(miN)或遠端癌轉移(miM)內之病變，熱點經標記為屬於miT、miN或miM三種類別中之一者。在某些實施例中，可使用五類型式之miTNM方案，其中遠端癌轉移進一步分成三個子類：骨癌轉移之miMb、淋巴癌轉移之miMa及其他軟組織癌轉移之miMc。
舉例而言，在某些實施例中，位於前列腺內之熱點經標記為屬於例如表示局部腫瘤之「T」類或「miT」類。在某些實施例中，位於前列腺外部但在骨盆區域內之熱點經標記為「N」類或「miN」類。在某些實施例中，例如如2022年10月4日申請之名稱為「Systems and Methods for Automated Identification and Classification of Lesions in Local Lymph and Distant Metastases」之以U.S. 2023/0115732 A1在2023年4月13日公佈的美國申請案第17/959,357號(其內容以全文引用之方式併入本文中)中所描述，出於鑑別骨盆淋巴結病變之目的，可配準骨盆圖譜(atlas)以鑑別骨盆區域及/或其中不同子區域之邊界。骨盆圖譜可例如包括骨盆區域之邊界及/或平面參考(例如穿過主動脈分叉之平面)，其可與熱點位置進行比較(例如以使得位於骨盆區域外部及/或穿過主動脈分叉之平面參考上方的熱點經標記為「M」或「miM」，例如遠端癌轉移)。在某些實施例中，基於熱點位置與解剖分段圖之比較，遠端癌轉移可分類為淋巴(miMa)、骨骼(miMb)或內臟(miMc)。舉例而言，位於一或多個骨骼內(例如且骨盆區域外部)之熱點可經標記為遠端癌轉移，位於一或多個分段器官或器官(例如腦、肺、肝、脾、腎)之子集內的熱點可經標記為內臟(miMc)遠端癌轉移，且位於骨盆區域外部之其餘熱點經標記為遠端淋巴癌轉移(miMa)。
另外或替代地，在某些實施例中，熱點可基於其位於特定解剖區域內之確定，例如基於諸如表2之表而分配為miTNM類，該表中各列對應於特定miTNM標記(第一行指示特定miTNM類)且在第二行及以下包括與各miTNM類相關之特定解剖區域。在某些實施例中，可基於熱點位置與解剖分段圖之比較，將熱點分配為位於表2中列舉之特定組織區域內，從而允許自動miTNM類分配。
表 2 .對應於五類之病變解剖標記方法的組織區域之實例清單
| 骨骼 Mb | 淋巴結 Ma | 骨盆淋巴結 N | 前列腺 T | 內臟 Mc |
| 頭骨 | 頸部(Cervical) | 模板右側 | 前列腺 | 腦 |
| 胸部 | 鎖骨上(Supraclavicular) | 模板左側 | 頸部(Neck) | |
| 腰椎 | 腋窩 | 骶前 | 肺部 | |
| 胸椎 | 縱隔 | 其他，骨盆 | 食道 | |
| 骨盆 | 肺門(Hilar) | 肝臟 | ||
| 四肢 | 腸系膜 | 膽囊 | ||
| 肘部 | 脾 | |||
| 膕 | 胰臟 | |||
| 主動脈周圍/主動脈旁(Peri-/para-aortic) | 腎上腺 | |||
| 其他，非骨盆 | 腎 | |||
| 膀胱 | ||||
| 皮膚 | ||||
| 肌肉 | ||||
| 其他 |
在某些實施例中，熱點可就其解剖位置及/或病變子類型而言進一步分類。舉例而言，在某些實施例中，鑑別為位於骨盆淋巴(miN)中之熱點可經鑑別為屬於特定骨盆淋巴結子區域，諸如左/右內髂、左或右外髂、左或右總髂、左或右閉孔肌、骶前區域或其他骨盆區域中之一者。在某些實施例中，遠端淋巴結癌轉移(miMa)可分類為腹膜後(RP)、膈上(SD)或其他骨盆外(OE)。區域(miN)及遠端(miMa)淋巴癌轉移分類之方法可包括骨盆圖譜影像之配準及/或各種全身標誌之鑑別，其進一步詳細描述於美國申請案第17/959,357號中，申請於2022年10月4日，名稱為「Systems and Methods for Automated Identification and Classification of Lesions in Local Lymph and Distant Metastases」，以U.S. 2023/0115732 A1在2023年4月13日公佈，該案之內容以全文引用的方式併入本文中。
D. 個別熱點量化度量
在某些實施例中，偵測(例如經鑑別且分段)之熱點可經由各種個別熱點量化度量來表徵。特定言之，對於特定個別熱點，個別熱點量化度量可用於以指示特定熱點所表示之(例如可能的)潛在身體病變內的放射性藥品吸收之尺寸及/或含量的方式量化特定熱點之尺寸(例如3D體積)及/或強度的量測。因此，個別熱點量化度量可例如向醫師或放射學家傳達影像中出現之熱點表示真實潛在身體病變的可能性及/或傳達其惡性腫瘤之可能性或含量(例如允許在良性病變與惡性病變之間區分)。
在某些實施例中，如本文所描述之影像分段、病變偵測及表徵技術用於針對一或多個醫學影像中之各者確定對應的熱點集合。如本文所描述，影像分段技術可用於針對特定影像中偵測之各熱點測定特定3D體積(3D熱點體積)，其表示及/或指示個體內可能的潛在身體病變之體積(例如3D位置及程度)。各3D熱點體積又包含影像立體像素之集合，其各自具有特定強度值。
一旦確定，3D熱點體積之集合即可用於針對各個別熱點計算一或多個熱點量化度量。可根據本文中例如下文所描述之各種方法及公式來計算個別熱點量化度量。在以下描述中，變數
L用以指藉由特定影像偵測之熱點集合，其中
L= {1, 2, …,
l, …,
N L}表示在影像內偵測之
N L(亦即，
N L為熱點之數目)熱點之集合且變數
l編索引第
l個熱點。如本文所描述，各熱點對應於影像內之特定3D熱點體積，其中
R
l 表示第
l個熱點之3D熱點體積。
可經由圖形使用者介面(GUI)及/或(例如自動或半自動)產生之報告將熱點量化度量呈現給使用者。如本文中進一步詳細描述，個別熱點量化度量可包括熱點強度度量及熱點體積度量(例如病變體積)，其分別量化特定熱點及/或其表示之潛在病變的強度及尺寸。熱點強度及尺寸又可分別指示個體內之放射性藥品吸收的含量及潛在身體病變的尺寸。
熱點強度度量
在某些實施例中，熱點量化度量為或包含量化個別3D熱點體積之強度的個別熱點強度度量。可基於所鑑別之熱點體積內的個別立體像素強度來計算熱點強度度量。舉例而言，對於特定熱點，熱點強度度量之值可依據彼熱點之立體像素強度中之至少一部分(例如特定子集，例如全部)來計算。熱點強度度量可包括但不限於諸如最大熱點強度、平均熱點強度及峰值熱點強度及其類似者之度量。如同核醫學影像中之立體像素強度，在某些實施例中，熱點強度度量可表示(例如以單位計) SUV值。
在某些實施例中，例如僅基於(例如依據)個體熱點之立體像素強度，且不基於個體熱點之3D體積之外的其他影像立體像素之強度，針對個體熱點計算特定熱點強度度量之值。
舉例而言，熱點強度度量可為最大熱點強度(例如SUV)或「SUV最大值」，經計算為3D熱點體積內之最大立體像素強度(例如SUV或吸收)。在某些實施例中，可根據以下方程式(1a)、(1b)或(1c)計算最大熱點強度：
其中，在方程式(1a)及(1b)中，
l表示特定(例如第
l個)熱點，如上文所描述，
q
i 為立體像素
i之強度且
i∈
R
l 為特定3D熱點體積
R
l 內之立體像素的集合。在方程式(1b)中，
SUV
i 指示立體像素強度之特定單位，標準吸收值(
SUV)，如本文所描述。
在某些實施例中，熱點強度度量可為平均熱點強度(例如SUV)或「SUV平均值」，且可計算為3D熱點體積內所有立體像素強度(例如SUV或吸收)之平均值。在某些實施例中，可根據以下方程式(2a)、(2b)或(2c)計算平均熱點強度。
其中
n
l 為特定3D熱點體積內之個別立體像素的數目。
在某些實施例中，熱點強度度量可為峰值熱點強度(例如SUV)或「SUV峰值」，且可計算為立體像素之強度(例如SUV或吸收)的平均值，其中點位於熱點立體像素之中點的(例如預定)特定距離內(例如5 mm內)，其中最大強度(例如SUV最大值)可位於熱點內且因此可根據以下方程式(3a)-(3c)計算。
其中
為具有與立體像素
i 最大值 在距離
d內之中點的(熱點)立體像素之集合，該立體像素為熱點內之最大強度立體像素(例如
Q 最大值(
l) =
q i - 最大值。
病變指標度量
在某些實施例中，熱點強度度量為將特定3D熱點體積內之立體像素的強度映射至標準化標度上之值的個別病變指標值。此類病變指標值進一步詳細描述於2020年1月6日申請之PCT/EP2020/050132及2021年7月2日申請之PCT/EP2021/068337中，其各自之內容以全文引用之方式併入本文中。病變指標值之計算可包括諸如主動脈部分(亦稱為血池)及/或肝臟之特定參考組織區域內之參考強度值的計算。
舉例而言，在一個特定實施中，第一血池參考強度值係基於主動脈區域內之強度(例如平均SUV)的量測而測定，且第二肝臟參考強度值係基於肝臟區域內之強度(例如平均SUV)的量測而測定。如例如在2021年7月2日申請之PCT/EP2021/068337中(該案之內容以全文引用之方式併入本文中)進一步詳細描述，參考強度之計算可包括諸如以下方法：鑑別諸如PET或SPECT影像之功能影像內的參考體積(例如主動脈或其部分；例如肝臟體積)；沖蝕及/或使某些參考體積膨脹，例如以避免在參考體積之邊緣上包括立體像素；及基於模型化方法選擇參考立體像素強度之子集，例如以考慮肝臟內之異常組織特徵，諸如囊腫及病變。在某些實施例中，第三參考強度值可以肝臟參考強度值之倍數(例如兩倍)形式或基於諸如腮腺之另一參考組織區域的強度測定。
在某些實施例中，熱點強度可與一或多個參考強度值比較以測定病變指標作為標準化標度上之值，其有助於不同影像中之比較。舉例而言，圖4C繪示用於分配熱點在0至3範圍內之病變指標值的方法。在圖4C中所示之方法中，血池(主動脈)強度值經分配為1之病變指標，肝臟強度值經分配為病變2，且兩倍肝臟強度值經分配為3之病變指標。特定熱點之病變指標可藉由以下測定：首先計算特定熱點之初始熱點強度度量之值，諸如平均熱點強度(例如
Q 平均值(
l)或
SUV 平均值)，且將初始熱點強度度量之值與參考強度值進行比較。舉例而言，初始熱點強度度量之值可處於四種範圍，[0,
SUV 血液]、(
SUV 血液,
SUV 肝臟]、(
SUV 肝臟, 2×
SUV 肝臟]及大於2×
SUV 肝臟(例如(2×
SUV 肝臟, ∞))中之一者內。隨後可基於以下來計算特定熱點之病變指標值：(i)初始熱點強度度量之值及(ii)根據初始熱點強度度量之值所落入之特定範圍的線性內插，如圖4C中所示，其中水平(
SUV)軸及豎直(
LI)軸上之填充點及開放點分別示出初始熱點強度度量及所得病變指標值之實例值。在某些實施例中，若無法計算針對肝臟或主動脈之
SUV參考，或若主動脈值高於肝臟值，則將不會計算病變指標且將顯示為『-』。
根據上文所描述且圖4C中所示之映射方案，可例如如以下方程式(4)中所示而計算病變指標值。
其中
f
1 f
2 及
f
3 為方程式(4)中之各別跨度之間的線性內插。
熱點 / 病變體積
在某些實施例中，熱點量化度量可為體積度量，諸如病變體積
Q 體積，其提供熱點表示之潛在身體病變之尺寸(例如體積)的量測值。在某些實施例中，病變體積可如以下方程式(5a)及(5b)中所示進行計算。
其中在方程式(5a)中，
v
i 為第
i個立體像素之體積，且方程式(5b)假定均一立體像素體積
v，且如前所述
n
l 為特定熱點體積
l中之多個立體像素。在某些實施例中，立體像素體積計算為
v=
δ x×
δ y×
δ z，其中
δ x、
δ y及
δ z為
x、
y及
z中之柵格間距(例如以毫米，mm計)。在某些實施例中，病變體積具有數毫升(ml)單位。
E. 聚合熱點度量
在某些實施例中，本文所描述之系統及方法計算量化特定個體之疾病負荷及/或風險的患者指標值。可使用(例如依據)個別熱點量化量測值來計算各種患者指標之值。特別地，在某些實施例中，特定患者指標值聚合針對患者及/或針對例如與特定組織區域及/或病變子類型相關之熱點的特定子集偵測之整個熱點集合計算的多個個別熱點量化度量之值。在某些實施例中，特定患者指標與一或多個特定個別熱點量化量測值相關，且使用針對該集合中之個別3D熱點體積的至少一部分中之各者計算的(例如多個)特定個別熱點量化度量之值來計算。
整體患者指標
舉例而言，在某些實施例中，特定患者指標可為整體患者指標，其聚合在特定時間點針對患者所偵測之在實質上整個3D熱點體積集合中計算的一或多個特定個別熱點量化量測值，以例如在特定時間點提供個體之總疾病負荷的整體量測值。
在某些實施例中，特定患者指標可與單一特定個別熱點量化量測值相關，且可依據3D熱點體積之集合之彼特定個別熱點量化量測值的實質上所有值來計算。此類患者指標可以視為具有函數形式，
其中
Q ( m )表示特定個別熱點量化度量，諸如如上文所描述之
Q 最大值、
Q 平均值、
Q 峰值、
Q 體積、
Q LI，且
Q ( m ), L 為針對熱點
L集合中之各熱點
l計算的特定個別熱點量化度量之值之集合。亦即，
Q ( m ), L 為集合{
Q ( m )(
l= 1),
Q ( m )(l = 2), …,
Q ( m )(l -
N
L )}。
函數
f ( p )可為多種函數，其適當地聚合(組合)特定個別熱點量化度量之值之整體值集合
Q ( m )。舉例而言，函數
f ( p )可為總和、平均值、中位值、眾數、最大值等。不同特定函數可用於
f ( p )，此取決於經聚合之特定熱點量化度量
Q ( m )。因此，可以多種方式組合各種個別熱點量化量測值(例如平均強度、中值強度、眾數強度、峰值強度、個別病變指標、體積)，例如藉由在針對3D熱點體積集合所計算的實質上所有值中獲取整體總和、平均值、中值、眾數等。
舉例而言，在某些實施例中，整體患者指標可為整體強度最大值，其經計算為所有個別熱點最大強度值之最大值，如以下方程式(7a)或(7b)中所示
其中
Q max(
l)可根據以上方程式(1a)，一般或根據方程式(1b)或(1c)計算，其中影像強度表示例如如方程式(7b)中所反映之
SUV值。
在某些實施例中，特定患者指標值可作為實質上所有個別熱點平均強度值之組合來計算，例如作為平均強度值之總和，例如如下文方程式(8a)及(8b)中所示。
在某些實施例中，整體患者指標為例如作為所有個別熱點體積之總和計算的總病變體積，由此提供總病變體積之量測值。總病變體積可例如如以下方程式(9a)及/或(9b)中所示進行計算，
其中(9b)假定均一立體像素尺寸，亦即各立體像素具有同一體積，
v i=
v。
在某些實施例中，可(例如直接地)依據整個熱點集合內之立體像素的強度、體積及/或數目而計算整體患者指標(例如依據所有3D熱點體積之聯集內的所有熱點立體像素而變化；例如未必依據個別熱點量化度量而變化)。舉例而言，在某些實施例中，患者指標可為整體平均值，且可例如如以下方程式(10a)及(10b)中所示計算(亦即，藉由對整個熱點集合
L之所有個別熱點立體像素的強度求和，且除以熱點立體像素之總數目(針對整個集合
L))：
在某些實施例中，特定患者指標可使用兩個或更多個特定個別熱點量化量測值來計算，例如
舉例而言，可使用熱點強度之量測值及熱點體積之量測值兩者來計算體積之強度加權之量測值。舉例而言，強度加權之總體積可按患者水平藉由以下來計算：針對各個別熱點，計算針對個別熱點計算之病變指標與熱點之體積的乘積。可隨後計算實質上所有加強加權之體積的總和以根據例如以下方程式測定總評分，其中
Q
LI (
l)及
Q 體積 (
l)分別為第
i個3D熱點體積之個別病變指標及體積的值。
舉例而言，如上文所描述，強度之其他量測值可用於對熱點體積進行加權或計算其他版度量。在某些實施例中，另外或替代地，患者指標可藉由將總病變體積(例如，以方程式(9a)或(9b)中所計算)乘以總SUV平均值(例如，以方程式(10a)或(10b)中所計算)以提供亦將強度與體積組合之評估來測定。
在某些實施例中，患者指標為或包含總病變計數，計算所偵測之實質上所有熱點的總數(例如
N L)。
區域及病變子類型分層患者指標
在某些實施例中，另外或替代地，可計算特定患者指標之多個值，各值與3D熱點體積之特定子集相關且針對該特定子集(例如相對於實質上所有熱點之集合
L)計算。
特定言之，在某些實施例中，該集合內之3D熱點體積可根據例如其所位於之特定組織區域或基於諸如miTNM分類之分類方案的子類型而分配於一或多個子集中/分配至一或多個子集。用於根據組織區域及/或根據諸如miTNM之解剖分類將熱點分組的方法進一步詳細描述於2020年1月6日申請之PCT/EP2020/050132及2021年7月2日申請之PCT/EP2021/068337中，其中之各者的內容在此以全文引用之方式併入。
以此方式，可針對一或多個諸如骨骼區域、前列腺或淋巴區域之特定組織區域計算如本文中所描述之患者指標的值。在某些實施例中，淋巴區域可以精細粒度方式進一步分層，例如使用如2022年10月4日申請之PCT/EP22/77505 (在2023年4月13日以WO2023/057411公佈)所描述的方法，該案之內容以全文引用之方式併入本文中。另外或替代地，在某些實施例中，各3D熱點體積可經分配有特定miTNM子類型且根據miTNM分類分組成子集，且可針對各miTNM分類計算各種患者指標之值。
舉例而言，其中根據上文所描述之整體患者指標的miTNM分期系統、miTNM類特異性型式分配熱點至特定病變子類型。舉例而言，在某些實施例中，可將熱點鑑別(例如自動基於其位置)為局部腫瘤(T)、骨盆內結點(N)或遠端轉移(M)，且分別分配標記，諸如miT、miN及miM，以鑑別三個子集。在某些實施例中，遠端轉移可進一步根據病變是否出現於(例如以熱點部位確定)遠端淋巴結區域(a)、骨骼(b)，或其他部位，諸如另一器官(c)中而細分。因此可將熱點分配為五種病變(例如miTNM)類別(例如miT、miN、miMa、miMb、miMc)中之一者。因此，可將各熱點分配至特定子集
S，使得例如可針對影像內熱點的各子集
S計算患者指標
P(
S)之值。舉例而言，可用以下方程式(13a-d)計算熱點之特定子集的患者指標值。
其中
S表示熱點之特定子集，諸如局部腫瘤(例如miT)、骨盆內結點(例如標記之miN)、遠端轉移(例如標記之miM)，或特定類型之遠端轉移，諸如遠端淋巴結(例如標記之miMa)、骨骼(例如標記之miMb)或其他部位(例如標記之miMc)。在方程式(13a)-(13d)中之各者中，
表示子集
S內之熱點。方程式(13a)類似於方程式(7a)，其中
Q 最大值 , S表示子集
S內之熱點的最大熱點強度，且其中
Q 最大值(
l)可根據以上方程式(1a)，一般或根據方程式(1b)或(1c)計算，其中影像強度表示
SUV值。方程式(13b)類似於方程式(10a)，其中
q
i 表示第
i個立體像素的強度(其可以SUV單位計)且獲取平均值之組合熱點體積為子集
S內之所有熱點體積的聯集(union)。方程式(13c)類似於方程式(9b)，且得到特定子集
S之整體病變體積。方程式(13d)類似於方程式(12)，且提供特定子集
S之整體強度加權之病變體積。
在某些實施例中，病變計數可以特定子集
S(例如
N S)內之實質上所有偵測到之熱點的數目計算。
按比例調整的患者指標值
在某些實施例中，各種患者指標值可例如根據個體的身體特徵(例如體重、身高、BMI等)及/或藉由分析個體之影像(例如3D解剖影像)測定的組織區域之體積(例如總骨骼區域之體積、前列腺體積、總淋巴體積等)而按比例調整。
報告患者指標值
轉向圖4A，如本文所描述計算之患者指標值可(例如以圖表、圖式、表格等形式)顯示於報告(例如自動產生之報告)中，諸如電子文件或圖形使用者介面之一部分，例如用於使用者審查及驗證/簽出。
此外，如圖4A中所示，如本文所描述產生之報告400可包括患者指標值之概述402，其量化患者中之疾病負荷，例如根據病變類型(例如miTNM分類)對熱點子集分組及針對各病變類型顯示彼子類型之一或多個計算之患者指標值。舉例而言，基於miTNM分期系統，報告400之概述部分402顯示五個熱點子集，即標記之miT、miN、miMa (淋巴)、miMb (骨骼)及miMc (其他)的患者指標值。對於各病變子類型，概述表402顯示屬於彼子類型(例如在特定子集內)的多個偵測到之熱點，最大SUV (SUV
最大值)、平均SUV (SUV平均值)、總體積及稱為「aPSMA評分」之數量。對於各病變子類型
S，SUV最大值、SUV平均值、總體積及aPSMA評分之值可如上文所描述，例如分別根據方程式(13a)、(13b)、(13c)及(13d)計算。在圖4A中，術語「aPSMA評分」用於反映用於成像的諸如[18F]DCFPyL之PSMA結合劑的使用。
對於各病變類型，圖4A中之概述表402亦包括表徵不同區域中之病變之嚴重程度、數目及位置的文數字編碼(例如從上至下顯示之miTx、miN1a、miM0a、miM1b、miM0c)，根據描述於以下之全身miTNM分期系統：Siefert等人, 「Second Version of the Prostate Cancer Molecular Imaging Standardized Evaluation Framework Including Response Evaluation for Clinical Trials (PROMISE V2)」,
Eur Urol .2023年5月; 83(5):405-412. doi: 10.1016/j.eururo.2023.02.002。miT (局部腫瘤)子類型之記法miTx使用「x」作為miTNM系統中使用之各種文數字編碼的占位符，以指示例如局部腫瘤為單灶性(unifocal)或多灶性(multifocal)，其係經器官限制或具有侵襲結構(諸如精囊)或其他相鄰結構(諸如外括約肌、直腸、膀胱、提肌、骨盆壁)，以及其是否表示在根除性前列腺切除術之後局部復發。在某些實施例中，例如歸因於特定成像參數及/或分段之特定解剖結構，可不進行計算此類精細粒度資訊。在某些實施例中，可計算(例如自動基於自動解剖分段)且顯示額外的精細粒度數字編碼(例如miT2、miT3、miT4)及文數字編碼(例如miT2u、miT2m、miT3a、miT3b、miT4、miTr)。在某些實施例中，此類編碼係可計算的，但為了報告之簡潔性/可讀性(例如為了避免使醫師或放射學家負擔過重)，其(例如有意地)並未顯示於諸如400之報告中。在高層級報告中所顯示之資訊，諸如詳細的miTNM (或其他分期系統)編碼資訊中之細節程度(level of detail)可能受限(例如有意地)的情況下，本文所描述之系統及方法可包括用於提供額外細節之特徵。舉例而言，在經由圖形使用者介面提供諸如報告400之報告時，使用者可提供有例如藉由在報告400之部分上點擊(或觸按，例如在觸控式螢幕器件中)或將滑鼠懸停於該等部分上來查看額外編碼資訊的選項。舉例而言，單擊或觸控互動可用於展開概述表402，從而允許其中可呈現額外編碼資訊之更大視圖，或單擊諸如「miTx」之特定編碼可用以產生(例如經由彈出式(pop-up))額外資訊。
所產生之報告，諸如報告400亦可包括資訊，諸如針對各種參考器官(諸如血池(例如自主動脈區域或其部分計算)及肝臟)測定之參考值(例如SUV吸收) 404，其量化患者內之生理吸收；疾病階段編碼406，諸如基於miTNM方案或其他方案之文數字編碼。在某些實施例中，疾病階段表示406包括所使用之特定分期準則的指示。舉例而言，如圖4A中所示，疾病階段表示406包括用以指示使用miTNM分期準則之文本「miTNM」，以及經由分析關於其報告400所基於之特定掃描所確定的特定編碼。
另外或替代地，報告可包括熱點表410，其提供所鑑別之各個別熱點的清單，以及對於各熱點，諸如病變子類型、病變位置(例如其中病變所位於之特定組織體積)之資訊及如本文所描述之各種個別熱點量化度量之值。
因此，如圖4A中所示之報告可由單一成像階段(例如功能及解剖影像，諸如PET/CT或SPECT/CT影像)產生，且用於在特定時間提供患者疾病之快照。
在某些實施例中，如本文進一步詳細描述，隨時間推移獲取之多個影像可用於追蹤隨時間推移之疾病演變。此類資訊亦可包括於報告或其部分中，例如如圖4B中所示。
F. 醫學影像中之病變追蹤
在某些實施例中，本發明之影像分析及決策支援工具尤其提供用於追蹤病變及經由對核醫學影像之分析評估患者之疾病進展及/或治療反應的系統及方法。特定言之，在某些實施例中，本文所描述之方法可用於分析縱向影像資料，亦即隨時間推移收集之一系列醫學影像(例如兩個或更多個影像)。
本文所描述之病變追蹤技術可結合多種醫學影像類型及/或成像模態使用。舉例而言，醫學影像可為或包含解剖影像。解剖影像傳達關於個體身體內之結構/形態之解剖資訊且使用諸如CT、MRI、超音波等之解剖成像模態獲得。
雖然本文尤其關於追蹤醫學影像之時間序列中的病變所描述，但本發明之病變追蹤方法可另外或替代地用於鑑別使用不同顯影劑成像劑(例如不同放射性藥品)、其劑量、影像重構技術、獲取設備(諸如不同攝影機)、其組合等獲得的(例如相同個體之)醫學影像之間的病變對應性。
轉向圖5，在某些實施例中，當患者經受初始、基線掃描且隨後(例如稍後)經受後續掃描時，可使用本文方法，例如以評估對治療之反應及/或追蹤患者的疾病。
在某些實施例中，經由本文所描述之方法分析的醫學影像為或包含核醫學影像，例如三維(3D)影像，例如骨掃描(閃爍攝影術)影像、PET影像及/或SPECT影像。在某些實施例中，核醫學影像補充(例如重疊)有解剖影像，例如電腦斷層攝影術(CT)影像、X射線或MRI。
在患者之初始基線掃描之後，獲得諸如由掃描產生之PET/CT影像的醫學影像502且進行分析以偵測熱點且將其分段504以鑑別影像區域，該影像區域指示個體中，例如如本文所描述(例如之部分B及C處)之潛在癌病變。
可分析所鑑別之熱點例如以計算如本文所描述之各種個別熱點量化度量及/或患者指標度量506。如本文中所描述，熱點量化度量可例如包括強度量測值(例如峰值、平均值、中值等，特定熱點內之強度)、尺寸之量測值(例如熱點體積)及組合尺寸及強度兩者例如以得到特定潛在病變之整體嚴重程度的病變指標值。在某些實施例中，一或多個參考器官，諸如肝臟、主動脈、腮腺之強度可用於按比例決定熱點強度，允許在標準化標度上計算病變指標值。
個別熱點量化度量可經組合/聚合以提供針對患者整體及/或針對特定解剖區域(例如前列腺、骨骼負荷、淋巴)及/或腫瘤分類(例如根據miTNM分類或其他方案之病變之各種類別)的整體風險/疾病嚴重程度情況。舉例而言，可在整個患者(例如或所選區域)中對熱點之體積進行求和及/或以其他方式聚合，以計算特定患者之總病變體積。
例如，可使用熱點量化度量及/或患者水平風險度量(患者指標)之值以提供對患者之初始評估，及/或可儲存及/或提供以供進一步處理。
再次轉向圖5，在一段時間之後(例如在治療期之後)，獲得一或多個後續影像(時間2影像) 522，鑑別熱點524，且如上文所論述計算量化/風險度量526。計算初始影像與時間2影像之間的一或多個度量的變化。舉例而言，(i) (自動及/或半自動)鑑別病變之數目的變化可經鑑別及/或(ii) (自動及/或半自動)鑑別病變之整體體積的變化(例如各鑑別病變之體積總和的變化)可經計算，及/或(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化。亦可或替代地自動測定指示變化之其他度量。類似地，可在稍後時間點(例如時間3、時間4等)獲得且由此分析其他可後續影像。此病變追蹤之縱向資料集可由醫學提供商使用，例如以確定治療有效性。
舉例而言，在某些實施例中，熱點圖與患者記錄一起保留，且比較各後續圖與基線圖(或先前後續圖)以鑑別對應(同一)病變，例如以鑑別哪些病變為新的及/或以產生每個病變之(per-lesion)縱向資料，從而允許針對各病變追蹤體積、強度、病變指標評分或其他參數。因此，本文所描述之方法提供隨時間推移獲取之醫學影像資料的半自動及/或自動分析以產生縱向資料集，該縱向資料集提供患者之風險及/或疾病在監測期間及/或治療反應期間隨時間推移的演變情況。
在某些實施例中，本文所描述之方法針對度量之計算提供，其可用於對患者疾病進行分類以用於治療/制定決策目的及/或對群組進行分層以用於臨床試驗資料收集及分析。舉例而言，在某些實施例中，一或多個度量之變化可用於將患者分類為屬於以下三種類別中之一者：(i)反應/部分反應，其特徵在於PSMA-體積下降大於或等於30%且病變數目減少，如圖6A中所示；穩定疾病，其特徵在於PSMA-體積下降大於30%，但出現新病變(圖6B)；及(ii)進行性疾病，其特徵在於PSMA-體積增加20%或更多，且出現一或多種新病變，例如按照RECIP分類(圖6C)。
配準多個醫學影像
轉向圖7，在某些實施例中，兩個或更多個不同醫學影像可例如自同一個體在不同時間點(例如時間序列)獲得702。各特定醫學影像可具有與其相關之特定熱點圖，該熱點圖鑑別特定醫學影像內之一或多個熱點。在某些實施例中，可分析醫學影像及相關熱點圖以鑑別經確定表示同一潛在病變之兩個或更多個醫學影像中的對應熱點。以此方式，可在多個不同醫學影像之間比較病變的存在(例如出現及/或消失)及/或特徵，諸如尺寸/體積、放射性藥品吸收等。
在某些實施例中，複數個醫學影像可為或包含對於同一特定個體獲得之醫學影像的時間序列，各醫學影像例如已在不同時間獲得。另外或替代地，複數個醫學影像可包含使用不同成像劑(例如不同放射性藥品)、其劑量、影像重構技術、獲取設備(諸如不同攝影機)、其組合等獲得的醫學影像。
在某些實施例中，可獲得複數個熱點圖704。各熱點圖與特定醫學影像相關且在其中鑑別一或多個熱點。熱點係在特定醫學影像及/或其子影像(例如在複合影像之情況下)內鑑別為表示個體內之潛在身體病變的所關注之區域(region of interest，ROI)。熱點圖可鑑別例如已經由3D影像之分段而測定的熱點體積(例如3D體積)。
在某些實施例中，在例如作為較高強度之局部區域的3D功能影像內鑑別及/或分段熱點。
在某些實施例中，熱點圖可經由手動及/或自動偵測及/或分段或其組合產生。手動及/或半自動方法可包含例如經由影像分析圖形使用者介面(GUI)接收使用者輸入。在存在或不存在各種電腦產生之標註，諸如組合顯示之器官分段的情況下，使用者可審查一或多個醫學影像及/或其子影像之呈現，且執行操作，諸如選擇區域以包括及/或不包括熱點圖。在某些實施例中，在使用者審查之前執行自動熱點鑑別及分段以產生初步熱點圖，該圖隨後由使用者審查，例如以產生最終熱點圖。
在某些實施例中，將熱點分類(例如分配標記)為屬於特定解剖學區域(例如骨骼、淋巴、骨盆、前列腺、內臟(例如軟組織器官(除前列腺、淋巴以外)，例如肝臟、腎臟、脾、肺及腦))及/或病變種類，諸如miTNM分類方案之彼等種類。
在某些實施例中，各醫學影像經分段以鑑別其中之器官區域集合且產生對應的解剖分段圖706。在特定醫學影像內，解剖分段圖鑑別器官區域之集合，該集合之各成員對應於特定器官，包括各種軟組織及/或骨骼區域。如本文所描述，可使用機器學習模組進行解剖分段。機器學習模組可接收解剖影像作為輸入，且分析該解剖影像以產生解剖分段圖。
在某些實施例中，自各醫學影像確定之解剖分段圖可用於進行影像配準。特定言之，已鑑別之器官區域集合的至少一部分(例如包含對應於頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左側股骨；右側股骨；頭骨、腦及下骨中之一或多者的區域)可用於確定共配準兩個或更多個解剖分段圖的一或多個配準場域。一旦確定，一或多個配準場域可用於共配準解剖分段圖自其中確定之醫學影像及/或其對應的熱點圖708。
舉例而言，轉向圖8，此方法可用於共配準第一醫學影像及第二醫學影像及/或其對應的熱點圖。在程序800中，第一醫學影像及第二醫學影像為複合影像，各自包含解剖及功能影像對(802a/802b及804a/804b)。
第一熱點圖814鑑別第一醫學影像內之第一熱點集合且可藉由及/或已藉由偵測及/或分段第一功能影像802b內之熱點812而產生。第二熱點圖824鑑別第二醫學影像內之第二熱點集合且可藉由及/或已藉由偵測及/或分段第二功能影像804b內之熱點822而產生。
第一解剖影像802a可例如使用機器學習模組(解剖分段模組)進行分段，以確定在第一醫學影像內(亦即第一解剖影像及/或第一功能影像內)鑑別一或多個器官區域之集合的第一解剖分段圖834 (832)。第二解剖影像804a可例如使用解剖分段模組進行分段，以確定在第二醫學影像內(亦即在第二解剖影像及/或第二功能影像內)鑑別一或多個器官區域之集合的第二解剖分段圖844 (842)。
全場域影像配準
在某些實施例中，第一解剖分段圖834及第二解剖分段圖844用於確定一或多個配準場域配準場域可基於(例如進行)仿射變換而計算。舉例而言，在某些實施例中，所鑑別之器官區域集合的一或多個特定子集用作配準第一解剖分段圖及第二解剖分段圖之標誌。特定言之，所鑑別之器官區域的各特定子集可用於確定使第一解剖分段圖內之特定子集與第二解剖分段圖內之同一特定子集對準的對應配準場域。可針對所鑑別之器官區域的多個子集進行此程序以確定複數個配準場域850，該等配準場域可隨後併入以產生用於進行最終影像配準之最終整體配準場域。
舉例而言，各子集可包含對應於特定解剖區域或個體身體之部分內之位置的器官區域。舉例而言，如圖9A及圖9B中所示，第一左骨盆區域，可使用對應於個體之左側上的骨盆骨之器官區域的子集確定配準場域(圖9A)；及第二右骨盆區域，使用對應於個體之右側上之骨盆骨之器官區域的子集確定配準場域(圖9B)。如圖9C中所示，此等兩個(左側及右側骨盆區域)配準場域可例如經由距離加權之立體像素-立體像素平均值(distance-weighted voxel-by-voxel average)組合，由此最終配準場域之各立體像素經計算為左側及右側骨盆區域配準場域中之立體像素值的加權平均值。對於各立體像素，用於取平均值之左側及右側立體像素值的權值可分別基於彼立體像素至左側及右側骨盆骨之鑑別的距離而測定。相對於位於骨盆區域周圍之影像的部分，此配準方法之實例進一步詳細描述於2022年10月4日申請之PCT/EP22/77505 (在2023年4月13日以WO2023/057411公佈)中。此方法可擴展至複數個器官區域子集，遍及個體身體中(例如與身體之特定部分相關的各器官子集，諸如頭部、頸部、胸部、腹部、骨盆區域、左側、右側、前部、背部等及其組合(例如左側骨盆區域、右側骨盆區域、右側胸部、右側胸部等)，以便確定複數個局部配準場域，各自使用特定器官區域子集作為標誌，隨後將該等標誌合併(例如經由距離加權平均)以產生最終整體配準場域。
如圖10中所示，此方法可用於進行準確的全身影像配準。舉例而言，圖10展示經由第一掃描獲得之第一PET/CT複合影像及如最初經由第二掃描獲得之第二PET/CT複合影像(頂部行)。各CT掃描展示重疊之解剖分段圖的所鑑別器官區域(彩色部分)。圖10之底部行再次展示第一PET/CT影像以及第二PET/CT影像之經變換版本，其現經由如本文所描述之加權分段(piecewise)仿射配準方法與第一影像配準。
圖11A展示與第一影像配準之第二影像的示意圖，繪示立體像素之變化。圖11B繪示配準場域之示意圖，其包含立體像素之子集的向量。如圖11B中所示，在某些實施例中，配準場域包含第一影像中之位置(例如立體像素)相對於第二影像中之對應點(例如立體像素)的參考(第二影像中之目標立體像素在圖11B中變暗)。在某些實施例中，可確定反向(inverted)配準場域。反向配準場域包含第二影像中之位置(例如立體像素)相對於第一影像中之位置(例如立體像素)的參考。在某些實施例中，首先針對仿射配準中之各者產生反向參考場域。反向場域隨後可按與仿射配準相同的方式一起加權以產生全身反向配準場域。
在某些實施例中，在不希望受任何特定理論束縛的情況下，第一掃描駐存於一個空間中(例如在世界座標中)且第二掃描駐存於另一空間中。通過發現將來自第二掃描之器官分段與第一掃描中之器官分段最佳對準(例如經由在最佳化問題中發現局部最佳值)的配準，產生自第一影像空間至第二影像空間的配準場域。配準場域可隨後應用於任何影像(例如PET、CT、器官分段、熱點圖)，該影像駐存於與第二掃描相同之空間中以將其與第一掃描之空間配準。
逐點配準
另外或替代地，在某些實施例中，本文所描述之方法可用於產生逐點配準850。在某些實施例中，逐點配準可用於例如在兩個不同時間點獲取之兩個PET/CT影像堆之間進行三角量測(triangulate)。在某些實施例中，如本文所描述，逐點配準方法使用「錨點(anchor point)」，其係單點對應性，例如相對於鑑別如上文所描述之對應3D組織區域(例如骨骼骨)之對應遮罩。
在某些實施例中，逐點配準方法利用針對兩個不同影像，例如同一患者在兩個不同時間點獲取之PET/CT影像確定之解剖分段圖以鑑別錨點之集合。舉例而言，錨點之集合可為或包括以下點：所有左側肋骨之質心、所有右側肋骨之質心、左髖骨之質心、右髖骨之質心及胸椎之質心。對於特定醫學影像，例如在特定時間點獲取之解剖分段圖可用於測定特定錨點集合中之各錨點的座標。可相應地針對複數個醫學影像中之各者，例如在醫學影像之時間序列中測定錨點座標。
在某些實施例中，逐點配準方法確定匹配兩個影像之間的對應錨點之變換操作，諸如平移。舉例而言，在某些實施例中，錨點之集合可包括
N個錨點。可在待彼此配準之第一影像及第二影像中，針對
N個錨點中之各者計算座標值(例如在三維中之(
x,
y,
z)座標)。對於各錨點
i，在該集合中，可確定使其在第一影像中之位置與其在第二影像中之位置匹配的個別錨點平移
。個別錨點平移可隨後用以針對第一影像中之特定點來確定加權平移
，該加權平移使其與第二影像中之對應點(例如表示同一潛在身體位置)對準或鑑別該對應點。
舉例而言，對於特定所選擇點及
N個錨點之集合，加權平移
可基於個別錨點平移之(反)距離加權和測定，其中各個別錨點平移加權(例如乘以)其距特定所選擇點之距離的倒數。此特定逐點配準方法可例如根據以下方程式(14)表示：
其中
D i為特定所選擇點至第
i個錨點之距離，
為匹配兩個影像中第
i個錨點之座標值的平移。因此，
為基於距錨點之所有距離針對特定(所選擇的)點計算的加權平移。
再次轉向圖7及圖8，如本文所描述而確定之配準場域及/或逐點配準850可用於分別變換第二熱點圖及/或第一熱點圖，824及/或814，從而使其彼此配準708、852。以此方式，可使在不同(例如第一及第二)醫學影像內鑑別之熱點集合對準，從而允許精確鑑別表示同一身體病變之對應熱點710、854。
在某些實施例中，另外或替代地，配準場域及/或逐點配準可如本文所描述確定，且用於例如在產生第二熱點圖之前，配準第二醫學影像與第一醫學影像(例如在較早時間收集)。第二醫學影像之配準版本可用於產生第二熱點圖，其藉助於自第二醫學影像之配準版本生成，將與由第一醫學影像生成之第一熱點圖配準。
鑑別對應熱點
轉向圖12，在某一實施例中，對應熱點可藉由計算一或多個病變對應性度量來鑑別，該一或多個病變對應性度量例如量化在不同醫學影像中鑑別之兩個或更多個熱點之間的接近及/或相似性。實例度量包括但不限於以下：
熱點重疊 ：在某些實施例中，重疊(隨後配準)之第一及第二影像中之熱點可經鑑別為對應熱點以包括於病變對應性中。在某些實施例中，可計算體積重疊之相對分率(百分比)且將其與一或多個重疊臨限值比較。具有高於特定臨限值之重疊分率(例如百分之20或更多、百分之30或更多、百分之40或更多、百分之50或更多、百分之70或更多)的熱點可經鑑別為病變對應性，例如如圖12之A組中所示。
熱點距離 ：在某些實施例中，例如如圖12之B組中所示，熱點距離可計算為例如兩個點，諸如各熱點之質心(center of mass，COM)之間的距離。由小於特定距離臨限值(諸如10 mm或更小、20 mm或更小、30 mm或更小、40 mm或更小、50 mm或更小等)之熱點距離隔開的熱點對可經鑑別為屬於病變對應性。在某些實施例中，使用多個距離臨限值，例如用於不同區域。舉例而言，在某些實施例中，較大臨限值(例如50 mm)用於肋骨/胸部區域以考慮呼吸運動且較小距離臨限值(例如10 mm、20 mm等)用於別處。
類型 / 位置匹配 ：在某些實施例中，各熱點可經分配病變分類(例如miTNM分類)及/或位置(例如骨盆、骨骼、淋巴)。在某些實施例中，可能需要熱點具有匹配病變分類及/或分配之位置以被鑑別為病變對應性中之對應熱點。
以此方式，出現在不同影像中之熱點可彼此匹配854且經鑑別為表示同一潛在身體病變。可經由鑑別兩個或更多個不同醫學影像(例如第一及第二影像)中之對應熱點的病變對應性編碼此類匹配熱點之間的對應性。病變對應性可為雙向的。
病變追蹤度量
在某些實施例中，本文所描述之系統及方法針對度量之計算712提供，其可用於對患者疾病進行分類以用於治療/制定決策目的及/或對群組進行分層以用於臨床試驗資料收集及分析714。如本文所描述，此類度量可包括總病變體積，例如作為整個個體之熱點體積及/或其變化，以及多個新鑑別之病變及/或其缺失(或總病變數目減少)的總和計算，以及其他度量，例如本文例如在部分D及E中所描述之各種熱點量化及/或患者指標/度量。在某些實施例中，此等度量可示於報告中，例如以表格格式或以一系列圖式或以圖式中之軌跡，例如如圖4B中所示。在某些實施例中，亦可顯示正常(非癌性)生理吸收之值，如圖4B中所示。
在某些實施例中，本文所描述之用於鑑別對應熱點的方法可用於匹配(例如在不同時間、自不同個體、用不同示蹤劑等收集之)不同影像內鑑別的其他目標區域(例如對應於個體之其他身體特徵)。此等方法可用於對準及鑑別在不同影像內所鑑別之對應目標區域，以評估不必限於癌症之多種病狀(諸如肌肉、韌帶、肌腱損傷；動脈瘤診斷；評估認知活動(例如經由fMRI)；及其類似者)的存在、進展、狀態、對治療之反應等。
G. 為制定臨床決策及治療評估提供資訊
在某些實施例中，基於對如本文所描述之影像之分析計算的度量又可用於測定以下各種度量之值及/或根據該等度量對個體進行分層，該等度量指示疾病病況、進展、預後、個體對療法之反應及/或個體對一或多種特定療法之可能反應的預測等。
在某些實施例中，此等度量可為單獨的及/或與終點，諸如臨床終點(例如其量測患者功能、感覺或存活之程度)相關且可用於評估治療功效，例如在臨床試驗中之群體分析的情況下，且可單獨使用及/或與諸如前列腺特異性抗原(PSA)之其他標記物組合使用。
在某些實施例中，可經測定及/或與本文所描述之患者度量及/或分類相關的終點包括但不限於總存活期(OS)、放射照相無進展存活期(rPFS)、各種症狀終點(例如患者報導之結果)、無疾病存活期(DFS)、無事件存活期(EFS)、客觀反應率(ORR)、完全反應(CR)/部分反應(PR)/穩定疾病(SD)/進行性疾病(PD)、無進展存活期(PFS)、進展時間(TTP)、放射照相進展時間。
在某些實施例中，本文所描述之各種度量及/或自其測定之終點值可用於引導治療決策。舉例而言，本文所描述之方法可用於鑑別個體是否為對特定治療有反應者，提供提前中斷低效治療、調節劑量或轉換至新療法的機會。
因此，本文所描述之影像分析及決策支援工具可尤其用於確定預後資訊、量測對療法之反應、對放射性配位體療法之患者分層及/或提供其他療法之預測性資訊。
舉例而言，在某些實施例中，自如本文所描述之影像計算的度量，諸如個別病變及/或整體體疾病階段之miTNM分類(如例如圖4A中所示)、表現評分、PRIMARY評分、腫瘤體積之量測值(例如患者之總腫瘤體積及/或藉由病變類別分層)、新病變之存在及/或計數可用於計算特定反應分類。舉例而言，本文所描述之病變追蹤工具可用於鑑別新病變且量化腫瘤尺寸之增加，aPSMA評分之變化(例如病變指標評分及/或強度加權之總體積，如本文所描述)又可用於評估前列腺癌進展準則，諸如PSMA PET進展(PPP)評分(參見例如Fanti等人,「Proposal of Systemic Therapy Response Assessment Criteria in time of PSMA PET/CT imaging: PSMA PET Progression (PPP)」,
J . Nucl . Med ., 2019 https://doi.org/10.2967/jnumed.119.233817)、RECIP準則評分及其類似者。
在某些實施例中，在單一及/或多個時間點之患者指標量化值可用作預後模型之輸入，以測定指示及/或量化患者(例如患有前列腺癌或處於前列腺癌風險下)之特定臨床事件、疾病復發或進展之可能性的預後度量。預後度量可包括總存活期(OS)、放射照相無進展存活期(rPFS)、各種症狀終點(例如患者報導之結果)、無疾病存活期(DFS)、無事件存活期(EFS)、客觀反應率(ORR)、完全反應(CR)/部分反應(PR)/穩定疾病(SD)/進行性疾病(PD)、無進展存活期(PFS)、進展時間(TTP)、放射照相進展時間。
預後模型可為統計模型，諸如回歸，且可包括額外臨床變量，即輸入，諸如患者身體特徵，諸如人種/種族；前列腺特異性抗原(PSA)含量及/或流速；血紅蛋白含量；乳酸去氫酶含量；白蛋白含量；臨床T階段；活檢格里森評分(Gleason score)；及百分比陽性核心評分(percentage positive core score)。在某些實施例中，預後模型比較計算值(諸如患者指標)與一或多個臨限值以對患者進行分類及/或將患者置於一『桶(bucket)』中，諸如OS值範圍之集合等中之一者。在某些實施例中，預後模型可為機器學習模型，舉例而言，可將各種個別熱點量化度量及/或聚合之患者水平指標視為特徵輸入至機器學習模型，其產生本文所描述之一或多個預後終點的預測值作為輸出。此類機器學習模型可為例如人造神經網路(ANN)。機器學習模型亦可包括臨床變量作為輸入(亦即，特徵)。
舉例而言，在某些實施例中，來自單一時間點之疾病負荷的量化量測值可用於計算患者水平度量之值，諸如總腫瘤體積、整體強度量測值，諸如總SUV平均值/最大值/峰值、aPSMA評分(例如強度加權之總體積)。此等度量可用作預後模型之輸入，以產生以下中之一或多者作為輸出：預期存活期(例如以月數計)、進展時間(TTP)及放射照相進展時間。
在某些實施例中，多個時間點之量化資料，諸如總病變體積之變化、SUV、aPSMA評分、病變隨時間推移之變化的量測值(例如新病變數目、消失病變數目、所追蹤病變數目)可用作預後模型之輸入，以產生以下中之一或多者作為輸出：預期存活期(例如以月數計)、進展時間、放射照相進展時間。
在某些實施例中，另外或替代地，例如前列腺(及/或其他組織區域，例如其可經由本文所描述之解剖分段技術鑑別)中PSMA表現之特徵可用作預後模型之輸入。舉例而言，空間強度模式(例如來自諸如PET或SPECT影像之功能影像的強度)，尤其組織區域可單獨及/或與本文所描述之量化度量及臨床變量一起用作機器學習模組之輸入，以產生預測，諸如同時(同步)癌轉移之風險、未來(異時)癌轉移之風險。舉例而言，來自本文中所描述之病變追蹤技術的資料可用作輸入以改良預測技術，諸如美國專利第11,564,621號中所描述之彼等技術，該專利之內容特此以全文引用之方式併入。在某些實施例中，強度模式可用於測定例如個體在特定時間點之各影像的評分，諸如或類似於PRIMARY分數，如描述於Siefert等人,「Second Version of the Prostate Cancer Molecular Imaging Standardized Evaluation Framework Including Response Evaluation for Clinical Trials (PROMISE V2)」,
Eur Urol .2023年5月; 83(5):405-412. doi: 10.1016/j.eururo.2023.02.002中。此類自動計算之強度評分可包括於患者報告中，例如圖4A中所示之彼等評分。
在某些實施例中，本文所描述之方法可用於產生用以分類對療法有反應之患者的模型。舉例而言，本文可描述之病變追蹤技術可用於確定輸入，諸如腫瘤體積、強度、病變出現/消失之變化。此等輸入可經由一或多個反應模型使用以確定患者是否對治療有反應(例如有反應/無反應)及/或患者對治療有反應之程度(例如數值)。如本文所描述，此類方法可充分利用現有反應準則，諸如RECIP及PPP，其當前依賴於可變且耗時的手動放射學家評估，且因此可藉由本發明技術改良，以改良患者分期的準確度、穩固性(例如在不同操作者、成像部位等中之均一性)及速度以及對療法評估之反應。
在某些實施例中，本文所描述之方法可用於評估哪些患者可能經受特定治療之有利益處及/或不利影響，該等治療可例如為昂貴的及/或與不良副作用相關。舉例而言，軟體可用於提供患者是否有可能得益於特定放射性配位體療法之指示。以此方式，本文所描述之方法可滿足放射性配位體療法(例如Pluvicto
TM)中大量未滿足的需要且幫助醫師在大量且數目不斷增長的療法之間進行選擇，尤其在晚期疾病中。舉例而言，對於可能的治療(例如阿比特龍、恩雜魯胺、阿帕魯胺、達魯胺、西普亮塞-T、Ra223、多西他賽、卡巴他賽、帕博利珠單抗、奧拉帕尼、盧卡帕尼、177Lu-PSMA617等)之集合，預測性模型可接受本文所描述之各種成像度量作為輸入，且產生各治療(或治療類別，諸如特定治療類別，例如雄激素生物合成抑制劑(例如阿比特龍)、雄激素受體抑制劑(例如恩雜魯胺、阿帕魯胺、達魯胺)、細胞免疫療法(例如西普亮塞-T)、內部放射療法治療(例如Ra223)、抗腫瘤藥(例如多西他賽、卡巴他賽)、免疫檢查點抑制劑(帕博利珠單抗)、PARP抑制劑(例如奧拉帕尼、盧卡帕尼)、PSMA結合劑(例如與放射性配位體療法，例如Lu177)的評分作為輸出，其指示患者將對治療有積極反應之可能性。
H. 成像劑
如本文所描述，多種放射性核種標記之PSMA結合劑可用作核醫學成像之放射性藥品成像劑以偵測及評估前列腺癌。在某些實施例中，某些放射性核種標記之PSMA結合劑適合於PET成像，而其他適合於SPECT成像。
i. PET 成像放射性核種標記之 PSMA 結合劑
在某些實施例中，放射性核種標記之PSMA結合劑為適合於PET成像之放射性核種標記之PSMA結合劑。
在某些實施例中，放射性核種標記之PSMA結合劑包含[18F]DCFPyL (亦稱為PyL
TM；亦稱為DCFPyL-18F)：
[18F]DCFPyL，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含[18F]DCFBC：
[18F]DCFBC，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含
68Ga-PSMA-HBED-CC (亦稱為
68Ga-PSMA-11)：
68Ga-PSMA-HBED-CC，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-617：
PSMA-617，
或其醫藥學上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含
68Ga-PSMA-617 (其為用
68Ga標記之PSMA-617)或其醫藥學上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含
177Lu-PSMA-617 (其為用
177Lu標記之PSMA-617)或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-I&T：
PSMA-I&T，
或其醫藥學上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含
68Ga-PSMA-I&T (其為用
68Ga標記之PSMA-I&T)或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA-1007：
PSMA-1007，
或其醫藥學上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含
18F-PSMA-1007 (其為用
18F標記之PSMA-1007)或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含18F-JK-PSMA-7：
18F-JK-PSMA-7，
或其醫藥學上可接受之鹽。
ii. SPECT 成像放射性核種標記之 PSMA 結合劑
在某些實施例中，放射性核種標記之PSMA結合劑為適合於SPECT成像之放射性核種標記之PSMA結合劑。
在某些實施例中，放射性核種標記之PSMA結合劑包含1404 (亦稱為MIP-1404)：
1404，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1405 (亦稱為MIP-1405)：
1405，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1427 (亦稱為MIP-1427)：
1427，
或其醫藥學上可接受之鹽。
在某些實施例中，放射性核種標記之PSMA結合劑包含1428 (亦稱為MIP-1428)：
1428，
或其醫藥學上可接受之鹽。
在某些實施例中，PSMA結合劑利用放射性核種，藉由將其螯合至金屬之放射性同位素[例如，鎝(Tc)之放射性同位素(例如，鎝-99m(
99mTc))；例如錸(Re)之放射性同位素(例如，錸-188(
188Re)；例如錸-186(
186Re))；例如釔(Y)之放射性同位素(例如，
90Y)；例如鎦(Lu)之放射性同位素(例如，
177Lu)；例如鎵(Ga)之放射性同位素(例如
68Ga；例如
67Ga)；例如銦之放射性同位素(例如，
111In)；例如銅(Cu)之放射性同位素(例如，
67Cu)]來標記。
在某些實施例中，1404用放射性核種標記(例如螯合至金屬之放射性同位素)。在某些實施例中，放射性核種標記之PSMA結合劑包含
99mTc-MIP-1404，其為標記有(例如螯合至)
99mTc之1404：
99mTc-MIP-1404，
或其醫藥學上可接受之鹽。在某些實施例中，可將1404螯合至其他金屬放射性同位素[例如，錸(Re)之放射性同位素(例如，錸188 (
188Re)；例如錸186 (
186Re))；例如釔(Y)之放射性同位素(例如，
90Y)；例如鎦(Lu)之放射性同位素(例如，
177Lu)；例如鎵(Ga)之放射性同位素(例如
68Ga；例如
67Ga)；例如銦之放射性同位素(例如，
111In)；例如銅(Cu)之放射性同位素(例如，
67Cu)]以形成化合物，該化合物具有與上文對於
99mTc-MIP-1404所展示之結構類似之結構，其中另一金屬放射性同位素經
99mTc取代。
在某些實施例中，1405用放射性核種標記(例如螯合至金屬之放射性同位素)。在某些實施例中，放射性核種標記之PSMA結合劑包含
99mTc-MIP-1405，其為標記有(例如螯合至)
99mTc之1405：
99mTc-MIP-1405，
或其醫藥學上可接受之鹽。在某些實施例中，可將1405螯合至其他金屬放射性同位素[例如，錸(Re)之放射性同位素(例如，錸188 (
188Re)；例如錸186 (
186Re))；例如釔(Y)之放射性同位素(例如，
90Y)；例如鎦(Lu)之放射性同位素(例如，
177Lu)；例如鎵(Ga)之放射性同位素(例如
68Ga；例如
67Ga)；例如銦之放射性同位素(例如，
111In)；例如銅(Cu)之放射性同位素(例如，
67Cu)]以形成化合物，該化合物具有與上文對於
99mTc-MIP-1405所展示之結構類似之結構，其中另一金屬放射性同位素取代
99mTc。
在某些實施例中，1427標記有(例如螯合至)金屬之放射性同位素，以形成根據下式之化合物：
螯合至金屬之1427，
或其醫藥學上可接受之鹽，其中M為標記1427之金屬放射性同位素[例如，鎝(Tc)之放射性同位素(例如，鎝99m (
99mTc))；例如錸(Re)之放射性同位素(例如，錸188 (
188Re)；例如錸186 (
186Re))；例如釔(Y)之放射性同位素(例如，
90Y)；例如鎦(Lu)之放射性同位素(例如，
177Lu)；例如鎵(Ga)之放射性同位素(例如，
68Ga；例如
67Ga)；例如銦之放射性同位素(例如，
111In)；例如銅(Cu)之放射性同位素(例如，
67Cu)]。
在某些實施例中，1428標記有(例如螯合至)金屬之放射性同位素，以形成根據下式之化合物：
螯合至金屬之1428，
或其醫藥學上可接受之鹽，其中M為標記1428之金屬放射性同位素[例如，鎝(Tc)之放射性同位素(例如，鎝99m (
99mTc))；例如錸(Re)之放射性同位素(例如，錸188 (
188Re)；例如錸186 (
186Re))；例如釔(Y)之放射性同位素(例如，
90Y)；例如鎦(Lu)之放射性同位素(例如，
177Lu)；例如鎵(Ga)之放射性同位素(例如，
68Ga；例如
67Ga)；例如銦之放射性同位素(例如，
111In)；例如銅(Cu)之放射性同位素(例如，
67Cu)]。
在某些實施例中，放射性核種標記之PSMA結合劑包含PSMA I&S：
PSMA I&S，
或其醫藥學上可接受之鹽。在某些實施例中，放射性核種標記之PSMA結合劑包含
99mTc-PSMA I&S (其為用
99mTc標記之PSMA I&S)或其醫藥學上可接受之鹽。
I. 電腦系統及網路環境
本文所描述之某些實施例利用呈由電腦處理器執行之軟體指令形式的電腦算法。在某些實施例中，軟體指令包括機器學習模組，在本文中亦被稱作人工智慧軟體。如本文所用，機器學習模組係指實施一或多種特定機器學習技術的電腦實施製程(例如軟體函數)，例如人造神經網路(ANN)，例如卷積類神經網路(CNN)，例如遞歸神經網路，例如遞迴神經網路，諸如長短期記憶體(long short-term memory，LSTM)或雙側長短期記憶體(Bi-LSTM)、隨機森林、決策樹、支援向量機及其類似物，以便針對給定輸入測定一或多個輸出值。
在某些實施例中，實施機器學習技術之機器學習模組例如使用包括本文所描述之資料類別(例如CT影像、MRI影像、PET影像、SPECT影像)的資料集來訓練。此類訓練可用於測定由機器學習模組實施之機器學習算法的各種參數，諸如與神經網路中之層相關的權值。在某些實施例中，一旦機器學習模組經訓練例如以實現特定任務(諸如分段解剖區域、分段及/或分類熱點、或測定預後值、治療反應值及/或預測性度量值)，測定之參數值即係固定的且(例如不變、靜態)機器學習模組用以處理新資料(例如不同於訓練資料)且在不進一步更新其參數(例如機器學習模組並不接收回饋及/或更新)的情況下實現其訓練任務。在某些實施例中，機器學習模組可接收例如基於使用者對精確性之審查的回饋，且此類回饋可用作額外訓練資料，以動態更新機器學習模組。在某些實施例中，兩個或更多個機器學習模組可經組合且以單一模組及/或單一軟體應用程式實施。在某些實施例中，兩個或更多個兩個機器學習模組亦可單獨地實施，例如以單獨軟體應用程式實施。機器學習模組可為軟體及/或硬體。舉例而言，機器學習模組可完全以軟體實施，或ANN模組之某些功能可經由專用硬體(例如經由特殊應用積體電路(ASIC))進行。
如圖13中所示，展示且描述用於提供如本文所描述之系統、方法及架構之網路環境1300的實施。簡單概述，現參看圖13，展示且描述例示性雲端計算環境1300之方塊圖。雲端計算環境1300可包括一或多個資源供應器1302a、1302b、1302c (統稱為1302)。各資源供應器1302可包括計算資源。在一些實施中，計算資源可包括用於處理資料之任何硬體及/或軟體。舉例而言，計算資源可包括能夠執行算法、電腦程式及/或電腦應用程式之硬體及/或軟體。在一些實施中，例示性計算資源可包括具有儲存及擷取能力之應用伺服器及/或資料庫。各資源供應器1302可連接至雲端計算環境1300中之任何其他資源供應器1302。在一些實施中，資源供應器1302可經電腦網路1308連接。各資源供應器1302可經電腦網路1308連接至一或多個計算器件1304a、1304b、1304c (統稱為1304)。
雲端計算環境1300可包括資源管理器1306。資源管理器1306可經電腦網路1308連接至資源供應器1302及計算器件1304。在一些實施中，資源管理器1306可有助於藉由一或多個資源供應器1302向一或多個計算器件1304提供計算資源。資源管理器1306可接收來自特定計算器件1304之對於計算資源之請求。資源管理器1306可鑑別能夠提供由計算器件1304請求之計算資源的一或多個資源供應器1302。資源管理器1306可選擇資源供應器1302以提供計算資源。資源管理器1306可有助於資源供應器1302與特定計算器件1304之間的連接。在一些實施例中，資源管理器1306可建立特定資源供應器1302與特定計算器件1304之間的連接。在一些實施例中，資源管理器1306可將特定計算器件1304再導向至具有所請求之計算資源的特定資源供應器1302。
圖14展示可用於實施本發明中所描述之技術的計算器件1400及行動計算器件1450之實例。計算器件1400意欲表示各種形式之數位電腦，諸如膝上型電腦、桌上型電腦、工作站、個人數位助理、伺服器、刀鋒型伺服器、大型電腦及其他合適的電腦。行動計算器件1450意欲表示各種形式之行動器件，諸如個人數位助理、蜂巢式電話、智慧型手機及其他類似計算器件。在此展示之組件、其連接及關係及其功能僅意欲為實例且不意欲為限制性的。
計算器件1400包括處理器1402、記憶體1404、儲存器件1406、連接至記憶體1404及多個高速擴充埠1410之高速介面1408以及連接至低速擴充埠1414及儲存器件1406之低速介面1412。處理器1402、記憶體1404、儲存器件1406、高速介面1408、高速擴充埠1410及低速介面1412中之各者使用各種匯流排互連，且可安裝在共同母板上或適當地以其他方式安裝。處理器1402可處理用於在計算器件1400內執行之指令，包括儲存於記憶體1404中或儲存器件1406上將GUI之圖形資訊顯示於外部輸入/輸出器件，諸如耦接至高速介面1408之顯示器1416上的指令。在其他實施中，可按需要連同多個記憶體及記憶體類型使用多個處理器及/或多個匯流排。此外，多個計算器件可與提供必需操作部分之各器件連接(例如作為伺服器庫、刀鋒型伺服器之群組或多處理器系統)。因此，當術語用於本文中時，其中複數個功能描述為由「處理器」執行，此涵蓋其中複數個功能由任何數目之(一或多個)計算器件的任何數目之(一或多個)處理器執行的實施例。此外，當功能描述為由「處理器」執行時，此涵蓋其中功能由任何數目之(一或多個)計算器件(例如在分佈式計算系統中)之任何數目之(一或多個)處理器執行的實施例。
記憶體1404將資訊儲存於計算器件1400內。在一些實施中，記憶體1404為一或多個揮發性記憶體單元。在一些實施中，記憶體1404為一或多個非揮發性記憶體單元。記憶體1404亦可為另一形式之電腦可讀取媒體，諸如磁碟或光碟。
儲存器件1406能夠為計算器件1400提供大容量儲存。在一些實施中，儲存器件1406可為或含有電腦可讀媒體，諸如軟碟器件、硬碟器件、光碟器件或磁帶器件、快閃記憶體或其他類似固態記憶體器件，或器件之陣列，包括呈儲存區域網路或其他組態形式之器件。指令可儲存於資訊載體中。指令在由一或多個處理器件(例如處理器1402)執行時進行一或多種方法，諸如上文所描述之彼等方法。指令亦可由一或多個儲存器件，諸如電腦可讀或機器可讀媒體(例如記憶體1404、儲存器件1406或處理器1402上之記憶體)儲存。
高速介面1408管理計算器件1400之頻寬密集型操作，而低速介面1412管理頻寬密集較低之操作。此類功能之配置僅為實例。在一些實施中，高速介面1408耦接至記憶體1404、顯示器1416 (例如經由圖形處理器或加速器)及高速擴充埠1410，其可容納各種擴充卡(未圖示)。在實施中，低速介面1412耦接至儲存器件1406及低速擴充埠1414。可包括各種通信埠(例如USB、Bluetooth®、乙太網、無線乙太網)之低速擴充埠1414可例如經由網路配接器耦接至一或多個輸入/輸出器件，諸如鍵盤、指標器件、掃描儀或網路連接器件，諸如交換器或路由器。
計算器件1400可以多種不同形式實施，如圖中所示。舉例而言，其可以標準伺服器1420、或多次以此類伺服器之群組實施。另外，其可以個人電腦，諸如膝上型電腦1422之形式實施。其亦可以框架伺服器系統1424之一部分的形式實施。替代地，來自計算器件1400之組件可與諸如行動計算器件1450之行動器件中的其他組件(未圖示)組合。此類器件中之各者可含有計算器件1400及行動計算器件1450中之一或多者，且整個系統可由多個彼此通信之計算器件構成。
行動計算器件1450包括處理器1452、記憶體1464、輸入/輸出器件(諸如顯示器1454)、通信介面1466及收發器1468，以及其他組件。行動計算器件1450亦可具備儲存器件(諸如微驅動或其他器件)以提供額外儲存。處理器1452、記憶體1464、顯示器1454、通信介面1466及收發器1468中之各者使用各種匯流排互連，且該等組件中之若干者可安裝在共同母板上或適當地以其他方式安裝。
處理器1452可執行行動計算器件1450內之指令，包括儲存於記憶體1464中之指令。處理器1452可以包括獨立及多個類比及數位處理器之晶片之晶片組的形式實施。處理器1452可提供例如用於配合行動計算器件1450之其他組件，諸如使用者介面之控制件、由行動計算器件1450運行之應用程式及行動計算器件1450之無線通信。
處理器1452可經由控制介面1458及耦接至顯示器1454之顯示介面1456與使用者通信。顯示器1454可為例如薄膜電晶體(Thin-Film-Transistor，TFT)液晶顯示器或有機發光二極體(Organic Light Emitting Diode，OLED)顯示器，或其他合適的顯示器技術。顯示介面1456可包含用於驅動顯示器1454以向使用者呈現圖形及其他資訊之適當電路。控制介面1458可接收來自使用者之命令且對其進行轉變以提交至處理器1452。另外，外部介面1462可提供與處理器1452之通信，以使行動計算器件1450與其他器件之附近區域通訊能夠達成。外部介面1462可例如在一些實施中提供有線通信，或在其他實施中提供無線通信，且亦可使用多個介面。
記憶體1464將資訊儲存於行動計算器件1450內。記憶體1464可呈以下一或多者之形式實施：一或多個電腦可讀取媒體、一或多個揮發性記憶體單元或者一或多個非揮發性記憶體單元。亦可提供擴充記憶體1474且經由擴充介面1472將其連接至行動計算器件1450，該擴充介面可包括例如單直插記憶體模組(Single In Line Memory Module，SIMM)卡介面。擴充記憶體1474可為行動計算器件1450提供額外儲存空間，或亦可為行動計算器件1450儲存應用程式或其他資訊。具體言之，擴充記憶體1474可包括進行或補充上文所描述之程序的指令，且亦可包括安全資訊。因此，舉例而言，擴充記憶體1474可作為用於行動計算器件1450之安全模組提供，且可用准許安全使用行動計算器件1450之指令程式化。另外，可經由SIMM卡提供安全應用程式以及額外資訊，諸如以不可侵入方式將鑑別資訊置放於SIMM卡上。
記憶體可包括例如快閃記憶體及/或NVRAM記憶體(非揮發性隨機存取記憶體)，如下文所論述。在一些實施中，指令儲存於資訊載體中。指令在由一或多個處理器件(例如處理器1452)執行時進行一或多種方法，諸如上文所描述之彼等方法。指令亦可由一或多個儲存器件，諸如一或多個電腦可讀或機器可讀媒體(例如記憶體1464、擴充記憶體1474或處理器1452上之記憶體)儲存。在一些實施中，該等指令可以傳播信號形式例如經收發器1468或外部介面1462接收。
行動計算器件1450可經由通信介面1466無線通信，必要時該通信介面可包括數位信號處理電路。通信介面1466可提供各種模式或協定下之通信，諸如GSM話音調用(全球行動通信系統)、短訊息服務(Short Message Service，SMS)、增強訊息服務(Enhanced Messaging Service，EMS)或MMS傳信(多媒體訊息服務)、分碼多重存取(code division multiple access，CDMA)、分時多重存取(time division multiple access，TDMA)、個人數位手機(Personal Digital Cellular，PDC)、寬頻分碼多重存取(Wideband Code Division Multiple Access，WCDMA)、CDMA2000或通用封包無線電服務(General Packet Radio Service，GPRS)以及其他。此類通信可例如經由收發器1468使用射頻進行。另外，短程通信可諸如使用Bluetooth®、Wi-Fi™或其他此類收發器(未圖示)進行。另外，全球定位系統(Global Positioning System，GPS)接收器模組1470可將額外的導航相關及位置相關之無線資料提供至行動計算器件1450，該等資料可適當地由行動計算器件1450上運行之應用程式來使用。
行動計算器件1450亦可使用音訊編解碼器(audio codec) 1460有聲地通信，該音訊編解碼器可接收來自使用者之語音資訊且將其轉換成可用數位資訊。音訊編解碼器1460可同樣地對使用者產生可聽聲音，諸如經由例如在行動計算器件1450之聽筒中的揚聲器。此類聲音可包括來自話音電話呼叫之聲音，可包括記錄之聲音(例如話音訊息、音樂檔案等)且亦可包括由行動計算器件1450上操作之應用程式產生的聲音。
行動計算器件1450可以多種不同形式實施，如圖中所示。舉例而言，其可以蜂巢式電話1480形式實施。其亦可以智慧型手機1482、個人數位助理或其他類似行動器件之一部分的形式實施。
本文所描述之系統及技術之各種實施可以數位電子電路、積體電路、特別設計之特殊應用積體電路(ASIC)、電腦硬體、韌體、軟體及/或其組合的形式實現。此等各種實施可包括在一或多個在包括至少一個可程式化處理器之可程式化系統上可執行及/或可譯的電腦程式中實施，該可程式化處理器可為專用或通用，其經耦接以接收來自以下之資料及指令且將資料及指令傳送至以下：儲存系統、至少一個輸入器件及至少一個輸出器件。
此等電腦程式(亦稱為程式、軟體、軟體應用程式或程式碼)包括用於可程式化處理器的機器指令，且可以高級程序及/或面向對象的程式設計語言及/或以組合/機器語言實施。如本文所用，術語機器可讀媒體及電腦可讀媒體係指用於提供機器指令及/或資料至可程式化處理器之任何電腦程式產品、裝置及/或器件(例如磁碟、光碟、記憶體、可程式化邏輯器件(Programmable Logic Device，PLD))，該可程式化處理器包括接收機器指令為機器可讀信號之機器可讀媒體。術語機器可讀信號係指用於向可程式化處理器提供機器指令及/或資料之任何信號。
為了提供與使用者之互動，本文所描述之系統及技術可在具有以下之電腦上實施：顯示器件(例如陰極射線管(cathode ray tube，CRT)或液晶顯示器(liquid crystal display，LCD)監測器)，用於向使用者顯示資訊；以及鍵盤及指標器件(例如滑鼠或軌跡球)，使用者可藉由其提供輸入至電腦。其他類型的器件同樣可用以提供與使用者之互動；舉例而言，向使用者提供之回饋可為任何形式的感覺回饋(例如視覺回饋、聽覺回饋或觸覺回饋)；且來自使用者的輸入可以任何形式接收，包括聲學、話音或觸覺輸入。
本文所描述之系統及技術可在計算系統中實施，該計算系統包括後端組件(例如作為資料伺服器)，或包括中間軟體組件(例如應用程式伺服器)，或包括前端組件(例如用戶端電腦，具有圖形使用者介面或使用者可經由其與本文所描述之系統及技術之實施互動的網路瀏覽器)，或此類後端、中間軟體或前端組件之任何組合。系統之組件可由任何形式或媒體之數位資料通信(例如通信網路)互連。通信網路之實例包括區域網路(local area network，LAN)、廣域網路(wide area network，WAN)及網際網路。
計算系統可包括用戶端以及伺服器。用戶端及伺服器大體上彼此遠離且通常經由通信網路互動。用戶端與伺服器之關係藉助於在各別電腦上運行且具有彼此之用戶端-伺服器關係之電腦程式產生。
在一些實施中，本文所描述之各種模組可經分離、組合或併入單一或經組合模組中。圖中所描繪之模組並不意欲將本文所描述之系統限於其中所展示之軟體架構。
本文所描述之不同實施的元件可經組合以形成上文不特定闡述之其他實施。元件可自本文所描述之程序、電腦程式、資料庫等移出而不有害地影響其操作。另外，圖中所描繪之邏輯流程並不需要所展示之特定次序或依序次序以達成所需結果。可將各種分開的元件組合成一或多個個別元件以執行本文所描述之功能。
在整個實施方式中，其中將裝置及系統描述為具有、包括或包含特定組件，或其中將程序及方法描述為具有、包括或包含特定步驟，經考慮，另外存在基本上由所述之組件組成，或由所述之組件組成的本發明之裝置及系統，且存在基本上由所述之加工步驟組成，或由所述之加工步驟組成的根據本發明之程序及方法。
應理解，步驟之次序或用於執行某一動作的次序是不重要的，只要本發明保持可操作即可。此外，可同時進行兩個或更多個步驟或動作。
當參考特定之較佳實施例，已具體地對本發明進行展示及描述時，熟習此項技術者應理解，在不脫離如所附申請專利範圍所定義之本發明的精神及範疇之情況下，其中可對形式及細節做多種改變。
102:3D CT影像
104:3D PET影像
106:融合影像
202:複合影像
204:解剖影像
206:功能影像
208:分段
210:分段圖
212:轉移及/或重疊
300:實例程序
304:3D解剖影像
306:3D功能影像
310:3D解剖分段圖
312a:機器學習模組
312b:機器學習模組
320a:單類熱點圖
320b:多類熱點圖
400:報告
402:患者指標值之概述/概述部分/概述表
404:參考值
406:疾病階段編碼/疾病階段表示
410:熱點表
502:獲得初始醫學影像
504:分段熱點
506:計算熱點/患者度量
508:用於初始評估
510:儲存/提供以用於比較
522:獲得後續影像
524:分段熱點/鑑別熱點
526:計算熱點/患者度量
528:測定一或多個度量中之變化
540:用於分類/評估
702:獲得醫學影像
704:獲得熱點圖
706:確定解剖分段圖
708:配準熱點圖
710:鑑別對應熱點/確定病變對應性
712:度量之計算
714:臨床試驗資料收集及分析
800:程序
802a:第一解剖影像
802b:第一功能影像
804a:第二解剖影像
804b:第二功能影像
812:偵測/分段熱點
814:第一熱點圖
822:偵測/分段熱點
824:第二熱點圖
832:確定解剖分段圖
834:第一解剖分段圖
842:確定解剖分段圖
844:第二解剖分段圖
850:配準場域/逐點配準
852:配準熱點圖
854:鑑別對應熱點/匹配熱點
860:病變對應性
1300:網路環境/雲端計算環境
1302a:資源供應器
1302b:資源供應器
1302c:資源供應器
1304a:計算器件
1304b:計算器件
1304c:計算器件
1306:資源管理器
1308:電腦網路
1400:計算器件
1402:處理器
1404:記憶體
1406:儲存器件
1408:高速介面
1410:高速擴充埠
1412:低速介面
1414:低速擴充埠
1416:顯示器
1420:伺服器
1422:膝上型電腦
1424:框架伺服器系統
1450:行動計算器件
1452:處理器
1454:顯示器
1456:顯示介面
1458:控制介面
1460:音訊編解碼器
1462:外部介面
1464:記憶體
1466:通信介面
1468:收發器
1470:全球定位系統接收器模組
1472:擴充介面
1474:擴充記憶體
1480:蜂巢式電話
1482:智慧型手機
藉由結合附圖參考以下描述，本發明之前述及其他目的、態樣、特徵及優勢將變得更為顯而易見且更好理解，在附圖中：
圖1A為根據說明性實施例的自3D PET/CT掃描獲得之CT影像、PET影像及PET/CT融合的一組對應切片。
圖1B為根據說明性實施例的PET/CT複合影像的一組兩個切片，其中PET影像重疊在CT掃描上。
圖2為繪示根據說明性實施例的用於將解剖影像分段且鑑別共對準功能影像中之解剖邊界之實例程序的圖式。
圖3為繪示根據說明性實施例的用於將熱點分段及分類之實例程序的圖式。
圖4A為圖形使用者介面(graphical user interface，GUI)，其展示根據說明性實施例的經由本發明之影像分析及決策支援工具的患者之電腦產生之報告。
圖4B為根據說明性實施例的電腦產生之報告的另一螢幕截圖，其呈現縱向資料追蹤疾病負荷及隨時間推移之演變。
圖4C為展示根據說明性實施例的用於計算病變指標值之方法的示意圖。
圖5為方塊圖，其展示用於追蹤病變及測定熱點量化及/或患者指標值之變化的實例程序。
圖6A為繪示根據說明性實施例的在初始基線掃描及隨後在第二後續掃描時鑑別的熱點之演變的示意圖。
圖6B為繪示根據說明性實施例的在初始基線掃描及隨後在第二追蹤掃描時鑑別的熱點之演變的示意圖。
圖6C為繪示根據說明性實施例的在初始基線掃描及隨後在第二追蹤掃描時鑑別的熱點之演變的示意圖。
圖7為根據說明性實施例的用於確定及使用病變對應性以確定患者度量值及/或分類之實例程序的方塊圖。
圖8為展示根據說明性實施例的用於確定病變對應性之實例程序的方塊圖。
圖9A為展示根據說明性實施例的使用解剖分段圖進行之實例配準的影像。
圖9B為展示根據說明性實施例的使用解剖分段圖進行之實例配準的另一影像。
圖9C為展示根據說明性實施例的使用解剖分段圖進行之實例配準的另一影像。
圖10為一組三個複合影像(出於說明之目的兩次展示為「第一掃描」)，其展示根據說明性實施例的經由第二掃描獲得之複合影像與經由第一掃描獲得之複合影像的配準。
圖11A為繪示根據說明性實施例的經由第二掃描獲得之第二影像與經由第一掃描獲得之第一影像之間的配準之示意圖。
圖11B為繪示根據說明性實施例的經由第二掃描獲得之第二影像與經由第一掃描獲得之第一影像之間的配準之示意圖。
圖12為一組三個示意圖，其展示根據說明性實施例的三個病變對應性度量。
圖13為用於某些實施例中之例示性雲端計算環境的方塊圖。
圖14為用於某些實施例中之實例計算器件及實例行動計算器件的方塊圖。
根據下文結合圖式所闡述之實施方式，本發明之特徵及優勢將變得更顯而易見，在該等圖式中相同參考字符始終標識對應元件。在該等圖式中，相同參考數字通常指示相同、功能上相似及/或結構上相似之元件。
202:複合影像
204:解剖影像
206:功能影像
208:分段
210:分段圖
212:轉移及/或重疊
Claims (103)
- 一種用於自動處理個體之3D影像以確定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標值的方法，該方法包含： (a) 藉由計算器件之處理器接收使用功能成像模態獲得之該個體的3D功能影像； (b) 藉由該處理器，將該3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高強度的局部區域且表示該個體內之潛在癌病變，由此獲得3D熱點體積之集合； (c) 藉由該處理器，針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值；及 (d) 藉由該處理器，確定該一或多個患者指標值，其中至少一部分該等患者指標各與一或多個特定個別熱點量化度量相關，且係針對該3D熱點體積集合所計算之該一或多個特定個別熱點量化度量值的至少一部分(例如實質上所有；例如特定子集)的函數。
- 如請求項1之方法，其中該一或多個患者指標值之至少一個特定患者指標與單一特定個別熱點量化度量相關，且以針對該3D熱點體積集合所計算之該特定個別熱點量化度量的實質上所有值(例如所有；例如僅排除統計離群值(outliers))之函數計算(例如平均值、中值、眾數(mode)、總和等)。
- 如請求項2之方法，其中該單一特定個別熱點量化度量為量化3D熱點體積內之強度的個別熱點強度度量(例如針對個別3D熱點體積，以該3D熱點體積之立體像素(voxels)的強度之函數計算)。
- 如請求項3之方法，其中該個別熱點強度度量為平均熱點強度(例如針對個別3D熱點體積，計算為該3D熱點體積內之立體像素之強度的平均值)。
- 如請求項3至4中任一項之方法，其中將該特定患者指標計算為針對該3D熱點體積集合所計算之該個別熱點強度度量之實質上所有值的總和。
- 如請求項6之方法，其中該單一特定個別熱點量化度量為病變體積(例如針對特定3D熱點體積，計算為該特定3D熱點體積內各個別立體像素之體積的總和)。
- 如請求項6之方法，其中將該特定患者指標(之值)計算為針對該3D熱點體積集合所計算之實質上所有病變體積值的總和(例如使得該特定患者指標值提供該個體內之全部病變體積的量度)。
- 如前述請求項中任一項之方法，其中該一或多個整體患者指標中之一特定者與兩個或更多個特定個別熱點量化度量相關，且以針對該3D熱點體積集合所計算之該等兩個或更多個特定個別熱點量化度量之實質上所有值之函數計算(例如加權總和、加權平均值等)。
- 如請求項8之方法，其中該等兩個或更多個特定個別熱點量化度量包含(i)個別熱點強度度量及(ii)病變體積。
- 如請求項9之方法，其中該個別熱點強度度量為將熱點強度之值映射(map)至標準化標度上之值的個別病變指標。
- 如請求項9或10之方法，其中該特定患者指標(之值)藉由以下計算為強度加權之病變(例如熱點)體積之總和： 對於實質上所有該等3D熱點體積之各個別3D熱點體積，藉由該個別熱點強度度量之值對該病變體積之值進行加權(例如計算病變體積值與該個別熱點強度度量之值的乘積)，由此計算複數個強度加權之病變體積；及 計算實質上所有該等強度加權之病變體積的總和作為該特定患者指標之值。
- 如前述請求項中任一項之方法，其中該一或多個個別熱點量化度量包含量化3D熱點體積內之強度的一或多個個別熱點強度量度(例如針對個別3D熱點體積，以該3D熱點體積之立體像素的強度之函數計算)。
- 如請求項12之方法，其中該一或多個個別熱點量化度量包含一或多個選自由以下組成之群的成員： 平均熱點強度(例如針對特定3D熱點體積，計算為該特定3D熱點體積內之立體像素強度的平均值)； 最大熱點強度(例如針對特定3D熱點體積，計算為該特定3D熱點體積內之立體像素強度的最大值)；及 中值熱點強度(例如針對特定3D熱點體積，計算為該3D熱點體積內之立體像素強度的中值)。
- 如請求項12或13之方法，其中該一或多個個別熱點強度度量包含一個3D熱點體積之峰值強度 [例如其中針對特定3D熱點體積，該峰值強度之值藉由以下計算： (i)鑑別該特定3D熱點體積內之最大強度立體像素； (ii)鑑別該最大強度立體像素周圍的子區域內的立體像素(例如包含該最大強度立體像素之特定臨限距離內之立體像素)及特定3D熱點內的立體像素；及 (iii)計算該子區域內之該等立體像素強度的平均值作為對應峰值強度]。
- 如請求項12至14中任一項之方法，其中該一或多個個別熱點強度度量包含將熱點強度之值映射至標準化標度上之值的個別病變指標。
- 如請求項15之方法，其包含： 藉由該處理器，在該3D功能影像內鑑別一或多個各自對應於特定參考組織區域之3D參考體積； 藉由該處理器，確定一或多個參考強度值，各自與該一或多個3D參考體積之特定3D參考體積相關且對應於該特定3D參考體積內之強度量度；及 在步驟(c)，對於該集合內之各3D熱點體積： 藉由該處理器，確定特定個別熱點強度度量之對應值(例如平均熱點強度、中值熱點強度、最大熱點強度等)；及 藉由該處理器，基於該特定個別熱點強度度量之對應值及該一或多個參考強度值來確定該個別病變指標的對應值。
- 如請求項16之方法，其包含： 在標度上將該一或多個參考強度值各映射至對應參考指標值；及 對於各3D熱點體積，使用該等參考強度值及對應的參考指標值來確定該個別病變指標之對應值，以基於該特定個別熱點強度度量之對應值而在標度上內插對應的個別病變指標值。
- 如請求項16或17中任一項之方法，其中該等參考組織區域包含一或多個選自由以下組成之群的成員：肝臟、主動脈及腮腺。
- 如請求項16至18中任一項之方法，其中： 第一參考強度值(i)為與對應於主動脈部分之參考體積相關的血液參考強度值，且(ii)映射至第一參考指標值； 第二參考強度值(i)為與對應於肝臟之參考體積相關的肝臟參考強度值，且(ii)映射至第二參考指標值；及 該第二參考強度值大於該第一參考強度值且該第二參考指標值大於該第一參考指標值。
- 如請求項16至19中任一項之方法，其中該等參考強度值包含映射至最大參考指標值之最大參考強度值，且其中該特定個別熱點強度度量之對應值大於該最大參考強度值的3D熱點體積經分配等於該最大參考指標值之個別病變指標值。
- 如前述請求項中任一項之方法，其包含： 在該3D熱點體積集合內鑑別一或多個子集，其各自與特定組織區域及/或病變分類相關；及 針對該一或多個子集之各特定子集，使用針對該特定子集內之3D熱點體積所計算的該等個別熱點量化度量之值來計算一或多個特定患者指標之對應值。
- 如請求項21之方法，其中該一或多個子集各與一或多個組織區域中之一特定者相關，且該方法包含針對各特定組織區域鑑別位於對應於該特定組織區域之所關注體積內之該等3D熱點體積之子集。
- 如請求項22之方法，其中該一或多個組織區域包含一或多個選自由以下組成之群的成員：包含該個體之一或多個骨骼的骨架區域、淋巴區域及前列腺區域。
- 如請求項21至23中任一項之方法，其中該一或多個子集各與一或多個病變子類型中之一特定者相關[例如根據病變分類方案(例如miTNM分類)]，且該方法包含針對各3D熱點體積確定對應的病變子類型及根據其對應的病變子類型將該等3D熱點體積分配至該一或多個子集中。
- 如前述請求項中任一項之方法，其包含使用該一或多個患者指標值的至少一部分輸入預後模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於該一或多個患者指標值與一或多個臨限值之比較而分配至特定類別；例如機器學習模型，其中接收該一或多個患者指標值輸入)，其產生指示特定患者結果之可能值(例如時間，例如以月數計，表示預期存活期、進展時間、放射照相進展時間等)的期望值及/或範圍(例如類別)輸出。
- 如前述請求項中任一項之方法，其包含使用該一或多個患者指標值的至少一部分輸入預測模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於該一或多個患者指標值與一或多個臨限值之比較而分配至特定類別；例如機器學習模型，其中接收該一或多個患者指標值輸入)，其產生針對一或多個治療選項(例如阿比特龍(Abiraterone)、恩雜魯胺(Enzalutamide)、阿帕魯胺(Apalutamide)、達魯胺(Darolutamide)、西普亮塞(Sipuleucel)-T、Ra223、多西他賽(Docetaxel)、卡巴他賽(Carbazitaxel)、帕博利珠單抗(Pembrolizumab)、奧拉帕尼(Olaparib)、盧卡帕尼(Rucaparib)、 177Lu-PSMA-617等)及/或治療劑之類別[例如雄激素生物合成抑制劑(例如阿比特龍)、雄激素受體抑制劑(例如恩雜魯胺、阿帕魯胺、達魯胺)、細胞免疫療法(例如西普亮塞-T)、內部放射療法治療(Ra223)、抗腫瘤藥(例如多西他賽、卡巴他賽)、免疫檢查點抑制劑(帕博利珠單抗)、PARP抑制劑(例如奧拉帕尼、盧卡帕尼)、PSMA結合劑]之各合格性評分輸出，其中特定治療選項及/或治療劑類別之合格性評分指示該患者是否將得益於該特定治療及/或治療劑類別之預測。
- 如前述請求項中任一項之方法，其包含(例如自動)產生包含該一或多個患者指標值之至少一部分的報告[例如電子文件，例如在圖形使用者介面內(例如用於由使用者驗證/簽出(sign-off))]。
- 如前述請求項中任一項之方法，其中步驟(b)包含使用一或多個機器學習模組[例如一或多個神經網路(例如一或多個卷積類神經網路)]來執行一或多個選自由以下組成之群的功能： 偵測複數個熱點，其中該等複數個3D熱點體積之至少一部分各對應於特定偵測之熱點且藉由分段該特定偵測之熱點產生； 分段該等複數個3D熱點體積之至少一部分；及 對該等3D熱點體積之至少一部分分類(例如確定各3D熱點體積表示潛在癌病變之可能性)。
- 如前述請求項中任一項之方法，其中該3D功能影像包含在向該個體投與藥劑後所獲得之PET或SPECT影像。
- 如請求項29之方法，其中該藥劑包含PSMA結合劑。
- 如請求項29或30之方法，其中該藥劑包含 18F。
- 如請求項30或31之方法，其中該藥劑包含[18F]DCFPyL。
- 如請求項30之方法，其中該藥劑包含PSMA-11。
- 如請求項30之方法，其中該藥劑包含一或多種選自由 99mTc、 68Ga、 177Lu、 225Ac、 111In、 123I、 124I及 131I組成之群的成員。
- 一種用於自動分析個體之醫學影像[例如三維影像，例如核醫學影像(例如骨掃描(閃爍攝影術)、PET及/或SPECT)，例如解剖影像(例如CT、X射線、MRI)，例如組合之核醫學及解剖影像(例如重疊)]之時間序列的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之醫學影像的時間序列；及 (b) 藉由該處理器鑑別該等醫學影像中之各者內的複數個熱點且藉由該處理器測定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松(prednisone)、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中該個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)] [例如其中步驟(b)包含使用機器學習模組/模型]。
- 一種用於分析個體之複數個醫學影像(例如以評估該個體內之疾病病況及/或進展)的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之複數個醫學影像，且藉由該處理器獲得複數個3D熱點圖，其各自對應於(該等複數個醫學影像之)特定醫學影像且鑑別該特定醫學影像內之一或多個熱點(例如表示該個體內之可能潛在身體病變)； (b) 對於該等複數個醫學影像之各特定影像(醫學影像)，藉由該處理器使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別該特定醫學影像內之器官區域之集合[例如表示該個體內之軟組織及/或骨骼結構(例如一或多個頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖； (c) 藉由該處理器，使用(i)該等複數個3D熱點圖及(ii)該等複數個3D解剖分段圖來確定一或多個病變對應之鑑別，各(病變對應)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由該處理器)表示該個體內之同一潛在身體病變；及 (d) 藉由該處理器，基於該等複數個3D熱點圖及該一或多個病變對應之鑑別來確定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]之值；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者分類(例如屬於及/或具有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示預測之對療法之反應及/或其他臨床結果)}。
- 如請求項36之方法，其中該等複數個醫學影像包含一或多個解剖影像(例如CT、X射線、MRI、超音波等)。
- 如請求項36至37中任一項之方法，其中該等複數個醫學影像包含一或多個核醫學影像[例如骨掃描(閃爍攝影術) (例如在向該個體投與放射性藥品，諸如99mTc-MDP後獲得)、PET (例如在向該個體投與放射性藥品，諸如[18F]DCFPyL、[68Ga]PSMA-11、[18F] PSMA-1007、rhPSMA-7.3 (18F)、[18F]-JK-PSMA-7等後獲得)或SPECT (例如在向該個體投與放射性藥品，諸如99mTc標記之PSMA結合劑後獲得)]。
- 如請求項36至38中任一項之方法，其中該等複數個醫學影像包含一或多個複合影像，其各自包含解剖及核醫學對(例如彼此重疊/共配準(co-registered)；例如已在實質上相同時間由該個體獲取) (例如一或多個PET/CT影像)。
- 如請求項36至39中任一項之方法，其中該等複數個醫學影像係或包含醫學影像之時間序列，該等時間序列之各醫學影像與不同特定時間相關且已在不同特定時間獲取。
- 如請求項40之方法，其中該等醫學影像之時間序列包含在該向個體投與(例如一或多個週期之)特定治療劑[例如PSMA結合劑(例如PSMA-617；例如PSMA I&T)；例如放射性藥品；例如放射性核種標記之PSMA結合劑(例如177Lu-PSMA-617；例如177Lu-PSMA I&T)]之前獲取的第一醫學影像，及在向該個體投與(例如該一或多個週期之)該特定治療劑之後獲取的第二醫學影像。
- 如請求項41之方法，其包含基於步驟(d)所確定之一或多個度量之值將該個體分類為對該特定治療劑有反應者及/或無反應者。
- 如請求項36至42中任一項之方法，其中步驟(a)包含藉由(例如自動)分段該對應醫學影像之至少一部分(例如其子影像，諸如核醫學影像) (例如使用第二熱點分段、機器學習模組[例如其中熱點分段機器模組包含深度學習網路(例如卷積類神經網路(CNN)])來產生各熱點圖。
- 如請求項36至43中任一項之方法，其中對於所鑑別之該等熱點的至少一部分中之各者，各熱點圖包含一或多個鑑別一或多個分配之解剖區域及/或病變子類型的標記(例如miTNM分類標記)。
- 如請求項36至44中任一項之方法，其中： 該等複數個熱點圖包含(i)對應於第一醫學影像的第一熱點圖(例如且鑑別其中一或多個熱點之第一集合)，及(ii)對應於第二醫學影像的第二熱點圖(例如且鑑別其中一或多個熱點之第二集合)； 該等複數個3D解剖分段圖包含(i)鑑別該第一醫學影像內之器官區域集合的第一3D解剖分段圖，及(ii)鑑別該第二醫學影像內之器官區域集合的第二3D解剖分段圖；且 步驟(c)包含使用該第一3D解剖分段圖及該第二3D解剖分段圖將(i)該第一熱點圖與(ii)該第二熱點圖配準(registering) (例如使用該器官區域集合及/或其一或多個子集作為該第一3D解剖分段圖及該第二3D解剖分段圖內之地標(landmark)以確定一或多個配準場域(registration field) (例如全3D配準場域；例如逐點配準)且使用該一或多個確定之配準場域以共配準該第一熱點圖及該第二熱點圖)。
- 如請求項36至45中任一項之方法，其中步驟(c)包含： 對於一組兩個或更多個熱點，各熱點係不同熱點圖之成員且在不同醫學影像中鑑別，測定一或多個病變對應度量(例如體積重疊；例如質心距離；例如病變類型匹配)之值；及 基於該一或多個病變對應度量之值確定該組之兩個或更多個熱點表示同一特定潛在身體病變，由此在該一或多個病變對應之一者中包括該組之兩個或更多個熱點。
- 如請求項36至46中任一項之方法，其中步驟(d)包含確定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中該個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)]。
- 如請求項36至47中任一項之方法，其包含(例如基於該一或多個度量之值；例如在步驟(d))確定指示疾病病況/進展及/或治療之一或多個預後度量之值[例如確定該個體之預期總存活期(OS) (例如預測之月數)]。
- 如請求項36至48中任一項之方法，其包含使用該一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值輸入預後模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於該一或多個患者指標值與一或多個臨限值之比較而分配至特定類別；例如機器學習模型，其中接收該一或多個患者指標之值輸入)，其產生指示特定患者結果之可能值(例如時間，例如以月數計，表示預期存活期、進展時間、放射照相進展時間等)的期望值及/或範圍(例如類別)輸出。
- 如請求項36至49中任一項之方法，其包含使用該一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值輸入反應模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於該一或多個患者指標值與一或多個臨限值之比較而分配至特定類別；例如，機器學習模型，其中接收該一或多個患者指標之值輸入)，其產生指示患者對治療反應的分類(例如二元分類)輸出。
- 如請求項36至50中任一項之方法，其包含使用該一或多個度量(例如腫瘤體積之變化、SUV平均值、SUV最大值、PSMA評分、新病變之數目、消失病變之數目、追蹤病變之總數)之值輸入預測模型(例如統計模型，諸如回歸；例如分類模型，從而患者基於該一或多個患者指標值與一或多個臨限值之比較而分配至特定類別；例如機器學習模型，其中接收該一或多個患者指標之值輸入)，其產生針對一或多個治療選項(例如阿比特龍、恩雜魯胺、阿帕魯胺、達魯胺、西普亮塞-T、Ra223、多西他賽、卡巴他賽、帕博利珠單抗、奧拉帕尼、盧卡帕尼、177Lu-PSMA-617等)及/或治療劑之類別[例如雄激素生物合成抑制劑(例如阿比特龍)、雄激素受體抑制劑(例如恩雜魯胺、阿帕魯胺、達魯胺)、細胞免疫療法(例如西普亮塞-T)、內部放射療法治療(Ra223)、抗腫瘤藥(例如多西他賽、卡巴他賽)、免疫檢查點抑制劑(帕博利珠單抗)、PARP抑制劑(例如奧拉帕尼、盧卡帕尼)、PSMA結合劑]之各合格性評分輸出，其中特定治療選項及/或治療劑類別之合格性評分指示該患者是否將得益於該特定治療及/或治療劑類別之預測。
- 一種用於分析個體之複數個醫學影像的方法，該方法包含： (a) 藉由計算器件之處理器獲得(例如接收及/或存取，及/或產生)該個體之第一3D熱點圖； (b) 藉由該處理器獲得(例如接收及/或存取，及/或產生)與該第一3D熱點圖相關之第一3D解剖分段圖； (c) 藉由該處理器獲得(例如接收及/或存取，及/或產生)該個體之第二3D熱點圖； (d) 藉由該處理器獲得(例如接收及/或存取，及/或產生)與該第二3D熱點圖相關之第二3D解剖分段圖； (e) 藉由該處理器，使用/基於該第一3D解剖分段圖及該第二3D解剖分段圖確定配準場域(例如全3D配準場域；例如逐點配準)； (f) 藉由該處理器，使用確定之配準場域將該第一3D熱點圖與該第二3D熱點圖配準，由此產生3D熱點圖之共配準對； (g) 藉由該處理器，使用該3D熱點圖之共配準對確定一或多個病變對應之鑑別；及 (f) 藉由該處理器，儲存及/或提供該一或多個病變對應之鑑別以用於展示及/或進一步處理。
- 一種用於分析個體之複數個醫學影像(例如以評估該個體內之疾病病況及/或進展)的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之複數個醫學影像； (b) 對於該等複數個醫學影像之各特定影像(醫學影像)，藉由該處理器使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別該特定醫學影像內之器官區域之集合[例如表示該個體內之軟組織及/或骨骼結構(例如一或多個頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖； (c) 藉由該處理器，使用該等複數個3D解剖分段圖確定一或多個配準場域(例如全3D配準場域；例如逐點配準)且應用該一或多個配準場域以配準該等複數個醫學影像，由此產生複數個配準之醫學影像； (d) 對於該等複數個配準之醫學影像中之各特定者，藉由該處理器確定對應的配準之3D熱點圖，其鑑別該特定配準之醫學影像內的一或多個熱點(例如表示該個體內可能的潛在身體病變)，由此產生複數個配準之3D熱點圖； (e) 藉由該處理器，使用該等複數個3D配準之熱點圖確定一或多個病變對應之鑑別，各(病變對應)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由該處理器)表示該個體內之同一潛在身體病變；及 (d) 藉由該處理器，基於該等複數個3D熱點圖及該一或多個病變對應之鑑別來確定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)(例如總存活期)；例如預測度量(例如指示預測之對療法之反應及/或其他臨床結果)}之值。
- 一種用於分析個體之複數個醫學影像的方法，該方法包含： (a) 藉由計算器件之處理器獲得(例如接收及/或存取，及/或產生)該個體之第一3D解剖影像(例如CT、X射線、MRI等)及第一3D功能影像[例如核醫學影像(例如PET、SPECT等)]； (b) 藉由該處理器獲得(例如接收及/或存取，及/或產生)該個體之第二3D解剖影像及第二3D功能影像； (c) 藉由該處理器，基於(例如使用)該第一3D解剖影像獲得(例如接收及/或存取，及/或產生)第一3D解剖分段圖； (d) 藉由該處理器，基於(例如使用)該第二3D解剖影像獲得(例如接收及/或存取，及/或產生)第二3D解剖分段圖； (e) 藉由該處理器，使用/基於該第一3D解剖分段圖及該第二3D解剖分段圖確定配準場域(例如全3D配準場域；例如逐點配準)； (f) 藉由該處理器，使用該配準場域將該第二3D功能影像與該第一3D功能影像配準(對準)，由此產生該第二3D功能影像之配準版本； (g) 藉由該處理器獲得與該第一功能影像相關之第一3D熱點圖； (h) 藉由該處理器，使用該第二3D功能影像之配準版本確定第二3D熱點圖，該第二3D熱點圖由此與該第一3D熱點圖配準； (g) 藉由該處理器，使用該第一3D熱點圖及與其配準之該第二3D熱點圖確定一或多個病變對應之鑑別；及 (f) 藉由該處理器，儲存及/或提供該一或多個病變對應之鑑別以用於展示及/或進一步處理。
- 一種用於評估介入之功效的方法，該方法包含： (a) 對於呈現特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌)及/或具有特定疾病之風險的測試群體(例如包含複數個個體，例如入選臨床試驗中)之各特定個體，進行如前述請求項中任一項之方法以獲得該特定患者之複數個醫學影像，其中該特定患者之複數個醫學影像包含在跨越受測介入之時間段(例如之前、期間及/或之後)獲得的醫學影像之時間序列，且該一或多個風險指標包含指示對該受測介入之患者反應的一或多個終點，由此測定在該測試群體中該一或多個終點之各複數個值；及 (b) 基於該測試群體中該一或多個終點之值確定該受測介入之功效。
- 一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於風險之個體的方法，該方法包含： 向該個體投與治療劑之第一週期；及 向該個體投與該治療劑之第二週期，基於該個體已(例如在該治療劑之第一週期之前及/或期間及/或之後)成像且使用如請求項1至52中任一項之方法而被鑑別為該治療劑有反應者(例如基於使用如請求項1至52中任一項之方法所測定的該一或多個風險指標之值，該個體已被鑑別/分類為有反應者)。
- 一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於風險之個體的方法，該方法包含： 向該個體投與第一治療劑之週期；及 向該個體投與第二治療劑之週期，基於該個體已(例如在該第一治療劑之週期之前及/或期間及/或之後)成像且使用如請求項1至52中任一項之方法而被鑑別為該第一治療劑無反應者(例如基於使用如請求項1至52中任一項之方法所測定的一或多個風險指標之值，該個體已被鑑別/分類為無反應者) (例如由此使該個體接受可能更有效的療法)。
- 一種用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於風險之個體的方法，該方法包含： 向該個體投與治療劑之週期；及 中斷向該個體投與治療劑，基於該個體已(例如在該第一治療劑之週期之前及/或期間及/或之後)成像且使用如請求項1至52中任一項之方法而被鑑別為該治療劑無反應者(例如基於使用如請求項1至52中任一項之方法所測定的該一或多個風險指標之值，該個體已被鑑別/分類為無反應者) (例如由此使該個體接受可能更有效的療法)。
- 一種自動或半自動全身評估患有轉移性前列腺癌[例如轉移性耐去勢性前列腺癌(mCRPC)或轉移性激素敏感性前列腺癌(mHSPC)]之個體以評估疾病進展及/或治療功效的方法，該方法包含： (a) 藉由計算器件之處理器接收該個體之第一靶向前列腺特異性膜抗原(PSMA)的正電子發射斷層攝影術(PET)影像(第一PSMA-PET影像)及該個體之第一3D解剖影像[例如電腦斷層攝影術(CT)影像；例如磁共振影像(MRI)]，其中該個體之第一3D解剖影像與該第一PSMA PET影像同時或緊接在其之後或緊接在其之前(例如與其在同一日期)獲得，使得該第一3D解剖影像及該第一PSMA PET影像對應於第一日期，且其中該等影像描繪該個體身體之足夠大的區域以涵蓋該轉移性前列腺癌已擴散至的身體區域(例如涵蓋多個器官之完整軀幹影像或全身影像) {例如其中該等PSMA-PET影像係使用PYLARIFY®、F-18 piflufolastat PSMA (亦即，2-(3-{1-羧基-5-[(6-[18F]氟-吡啶-3-羰基)胺基]-戊基}脲基)-戊二酸，亦稱為[18F]F-DCFPyL)，或Ga-68 PSMA-11，或其他放射性標記之前列腺特異性膜抗原抑制劑成像劑獲得}； (b) 藉由該處理器接收該個體之第二PSMA-PET影像及該個體之第二3D解剖影像，兩者均在該第一日期之後的第二日期獲得； (c) 藉由該處理器，使用在該第一3D解剖影像及該第二3D解剖影像內自動鑑別之地標(例如所鑑別區域表示頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左側股骨；右側股骨；頭骨、腦及下頜骨中之一或多者)自動確定配準場域，及藉由該處理器，使用確定之配準場域來對準該第一PSMA-PET影像及該第二PSMA-PET影像[例如在將該等CT及/或PSMA-PET影像分段以鑑別器官及/或骨骼的邊界之前或之後，及在自該等PSMA-PET影像進行自動熱點(例如病變)偵測之前或之後]；及 (d) 使用由此對準之該第一PSMA-PET影像及該第二PSMA-PET影像，藉由該處理器以自動偵測(例如分期及/或量化)該疾病自該第一日期至該第二日期之變化(例如進展或緩解) [例如自動鑑別及/或按原樣鑑別(例如標示(tagging)、標記(labelling))如下(i)及(ii)中之一者或兩者：(i)病變數目之變化{例如一或多種新病變(例如器官特異性病變)，或一或多種病變(例如器官特異性)之消除}，及(ii)腫瘤尺寸之變化{例如腫瘤尺寸之增加(PSMA-VOL增加/降低)，例如總腫瘤尺寸，或腫瘤尺寸之降低(PSMA-VOL降低)} {例如一或多種特定病變之各體積的變化，或特定類型病變(例如器官特異性腫瘤)之整體體積的變化，或所鑑別病變之總體積的變化}。
- 如請求項59之方法，其中該方法包含一或多個選自由以下組成之群的成員：病變位置分配、腫瘤分期、結節分期、遠端轉移分期、前列腺內病變之評估，及PSMA表現評分之測定。
- 如請求項59或60之方法，其中已向該個體投與療法{例如激素療法、化學療法及/或放射療法，例如雄激素消融(ablation)療法，例如含177Lu化合物，例如177Lu-PSMA放射性配位體療法，例如177Lu-PSMA-617，例如鎦Lu 177 維匹泰德特拉歇坦(vipivotide tetraxetan) (Pluvicto)，例如卡巴他賽}以用於自該第一日期至該第二日期(在獲得第一影像之後及在獲得第二影像之前)一或多次治療該轉移性前列腺癌，使得該方法用於評估治療功效。
- 如請求項59至61中任一項之方法，其進一步包含在該第二日期之後獲得該個體之一或多個其他PSMA PET影像及3D解剖影像，使用對應3D解剖影像對準該其他PSMA PET影像，及使用該對準之其他PSMA PET影像以評估該疾病進展及/或治療功效。
- 如請求項59至62中任一項之方法，其進一步包含至少部分地基於自該第一日期至該第二日期所偵測該疾病之變化，藉由該處理器確定及呈現所預測之PSMA-PET影像，該影像描繪預測疾病至未來日期(例如比該第二日期晚或已獲得PSMA-PET影像之任何其他後續日期晚的未來日期)之進展(或緩解)。
- 一種量化及報導患有癌症及/或處於癌症風險之患者之疾病(例如腫瘤)負荷的方法，該方法包含： (a) 藉由計算器件之處理器獲得該患者之醫學影像； (b) 藉由該處理器偵測該醫學影像內之一或多個(例如複數個)熱點，該醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中該3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 對於表示特定組織區域及/或病變子類型之複數個病變類別的各特定病變類別： 藉由該處理器，鑑別該一或多個熱點之對應子集為屬於該特定病變類別(例如基於藉由該處理器進行確定，該熱點表示位於特定組織區域內及/或屬於該特定病變類別所表示之特定病變子類型的潛在身體病變)；及 藉由該處理器，基於該對應熱點子集來測定量化該特定病變類別內及/或與該特定病變類別相關之疾病(例如腫瘤)負荷的一或多個患者指標之值；及 (e) 藉由該處理器來呈現針對該等複數個病變類別中之各者所計算的該等患者指標值之圖形表示(例如列出各病變類別及針對各病變類別所計算之該等患者指標值的概述表)，由此提供使用者概述特定組織區域內及/或與特定病變子類型相關之腫瘤負荷的圖形報告。
- 如請求項64之方法，其中該等複數個病變類別包含以下中之一或多者： (i) 局部腫瘤類別(例如「T」或「miT」類別)，其鑑別位於該患者內與局部(例如原發性)腫瘤部位相關及/或相鄰的一或多個局部腫瘤相關之組織區域內的潛在病變及/或其部分，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該一或多個局部腫瘤相關之組織區域包含前列腺且視情況一或多個相鄰結構(例如精囊、外括約肌、直腸、膀胱、提肌及/或骨盆壁)；例如其中該癌症為乳癌，且該一或多個局部腫瘤相關之組織區域包含乳房；例如其中該癌症為結腸直腸癌，且該一或多個局部腫瘤相關之組織區域包含結腸；例如其中該癌症為肺癌，且該一或多個局部腫瘤相關之組織區域包含肺]； (ii) 區域結節類別(例如「N」或「miN」類別)，其鑑別位於與原始(例如原發性)腫瘤部位相鄰及/或接近之區域淋巴結內的潛在病變，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該區域淋巴結類別鑑別表示位於一或多個骨盆淋巴結(例如內髂、外髂、閉孔肌、骶前結節，或其他骨盆淋巴結)內之病變之熱點]；及 (iii) 一或多種(例如遠端)轉移性腫瘤類別(例如一或多種「M」或「miM」類別)，其鑑別潛在轉移(例如在原始(例如原發性)腫瘤部位以外擴散之病變)及/或其子類型，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該一或多種轉移性腫瘤類別鑑別表示位於該患者之骨盆區域(例如由骨盆邊緣所定義，例如根據美國癌症聯合委員會分期手冊(American Joint Committee on Cancer staging manual))外部之潛在轉移性病變之熱點]。
- 如請求項64或65之方法，其中該一或多種轉移性腫瘤類別包含以下中之一或多者： 遠端淋巴結轉移類別(例如「Ma」或「miMa」類別)，其鑑別已轉移至遠端淋巴結之潛在病變，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該遠端淋巴結區域類別鑑別表示位於骨盆外(例如骨盆區域外)淋巴結(例如總髂(common iliac)、腹膜後淋巴結、膈上淋巴結、腹股溝及其他骨盆外淋巴結)內之病變之熱點]； 遠端骨轉移類別(例如「Mb」或「miMb」類別)，其鑑別位於該患者之一或多個骨骼(例如遠端骨骼)內的潛在病變，且由該對應熱點子集表示；及 內臟(亦稱為遠端軟組織)轉移類別(例如「Mc」或「miMc」類別)，其鑑別位於該等局部腫瘤相關之組織區域外部之一或多個器官或其他非淋巴軟組織區域內的潛在病變，且由該對應熱點子集表示(例如其中該癌症為前列腺癌，且該內臟轉移類別鑑別表示位於該患者之骨盆外器官，諸如腦、肺、肝、脾及腎中之潛在病變之熱點)。
- 如請求項64至66中任一項之方法，其中步驟(c)包含針對各特定病變類別，測定以下患者指標中之一或多者的值： 病變計數，其量化由對應於該特定病變類別之熱點子集表示的(例如不同)病變之數目(例如計算為對應子集內熱點之數目)； 最大吸收值，其量化該對應熱點集合內之最大吸收(例如計算為該對應子集之熱點體積內所有立體像素的最大個別立體像素強度)； 平均吸收值，其量化該對應熱點子集內之整體平均吸收(例如計算為該對應子集之(總組合之)熱點體積內所有立體像素的整體平均強度)； 總體積病變體積，其量化屬於該特定病變類別之病變的總體積(例如計算為該對應子集之所有個別病變(例如熱點)體積的總和)；及 強度加權之腫瘤體積(ILTV)評分(例如aPSMA評分)，以所有個別病變體積加權(例如乘以)其強度之量測值之加權總和計算[例如其中其強度之量測值為病變指標，基於與指示一或多個對應參考組織區域，諸如主動脈部分及肝臟內的生理(例如正常、非癌症相關)放射性藥品吸收之一或多個參考強度的比較而在標準化標度上量化熱點強度]。
- 如請求項64至67之方法，其包含針對該等病變類別中之各者確定對該特定病變類別內之整體負荷分類的文數字(alpha-numeric)編碼(例如miTNM分期編碼，其指示(i)該特定病變類別以及(ii)一或多個數目及/或數目，該等數目指示該對應子集之熱點的特定數目、尺寸、空間範圍、空間圖案及/或子位置，以及進而其表示之潛在身體病變)，且視情況在步驟(e)，產生及/或顯示各特定病變類別之文數編碼的表示。
- 如請求項64至68中任一項之方法，其進一步包含基於該等複數個病變類別及其對應熱點子集來確定該患者之整體疾病階段(例如文數字編碼)，其指示該患者之整體疾病狀態及/或負荷，且藉由該處理器呈現包括於該報告內之整體疾病階段(例如文數字編碼)的圖形表示。
- 如請求項64至69中任一項之方法，其進一步包含： 藉由該處理器測定一或多個參考強度值，其各自指示該患者內之特定參考組織區域(例如主動脈部分；例如肝臟)內放射性藥品之生理(例如正常、非癌症相關)吸收且基於該醫學影像內所鑑別之對應參考體積內的影像立體像素之強度計算；及 在步驟(e)，藉由該處理器呈現該一或多個參考強度值的表示(例如圖表)包括於該報告內。
- 一種基於患有癌症及/或處於癌症風險之患者的成像評估來表徵及報導所偵測之個別病變的方法，該方法包含： (a) 藉由計算器件之處理器獲得該患者之醫學影像； (b) 藉由該處理器偵測該醫學影像內之一或多個(例如複數個)熱點的集合，該醫學影像內之該集合的各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 藉由該處理器將一或多個病變類別標記分配至該集合的一或多個熱點中之各者，各病變類別標記類別表示特定組織區域及/或病變子類型且將該熱點鑑別為表示位於該特定組織區域內之潛在病變及/或屬於該病變子類型； (d) 藉由該處理器針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別熱點的特定個別熱點量化度量之值；及 (e) 藉由該處理器顯示圖形表示，其對於該集合之熱點之至少一部分的各特定熱點包含該特定熱點之鑑別(例如表中之一列，且視情況文數字鑑別，諸如鑑別該特定熱點之數目)，以及分配至該特定熱點之一或多個病變類別標記及針對該特定熱點所計算之該一或多個個別熱點量化度量之值[例如概述表(例如可滾動概述表)，將各個別熱點以一列且該等分配之病變類別及熱點量化度量以行(column-wise)列出]。
- 如請求項71之方法，其中該等病變類別標記包含以下中之一或多者表示的標記： (i) 局部腫瘤類別(例如「T」或「miT」類別)，其鑑別位於該患者內與局部(例如原發性)腫瘤部位相關及/或相鄰的一或多個局部腫瘤相關之組織區域內的潛在病變及/或其部分，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該一或多個局部腫瘤相關之組織區域包含前列腺且視情況一或多個相鄰結構(例如精囊、外括約肌、直腸、膀胱、提肌及/或骨盆壁)；例如其中該癌症為乳癌，且該一或多個局部腫瘤相關之組織區域包含乳房；例如其中該癌症為結腸直腸癌，且該一或多個局部腫瘤相關之組織區域包含結腸；例如其中該癌症為肺癌，且該一或多個局部腫瘤相關之組織區域包含肺]； (ii) 區域結節類別(例如「N」或「miN」類別)，其鑑別位於與原始(例如原發性)腫瘤部位相鄰及/或接近之區域淋巴結內的潛在病變，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該區域淋巴結類別鑑別表示位於一或多個骨盆淋巴結(例如內髂、外髂、閉孔肌、骶前結節或其他骨盆淋巴結)內之病變之熱點]；及 (iii) 一或多種(例如遠端)轉移性腫瘤類別(例如一或多種「M」或「miM」類別)，其鑑別潛在轉移(例如在原始(例如原發性)腫瘤部位以外擴散之病變)及/或其子類型，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該一或多種轉移性腫瘤類別鑑別表示位於該患者之骨盆區域(例如由骨盆邊緣所定義，例如根據美國癌症聯合委員會分期手冊)外部之潛在轉移性病變之熱點]。
- 如請求項72之方法，其中該一或多種轉移性腫瘤類別包含以下中之一或多者： 遠端淋巴結轉移類別(例如「Ma」或「miMa」類別)，其鑑別已轉移至遠端淋巴結之潛在病變，且由該對應熱點子集表示[例如其中該癌症為前列腺癌，且該遠端淋巴結區域類別鑑別表示位於骨盆外(例如骨盆區域外)淋巴結(例如總髂、腹膜後淋巴結、膈上淋巴結、腹股溝及其他骨盆外淋巴結)內之病變之熱點]； 遠端骨轉移類別(例如「Mb」或「miMb」類別)，其鑑別位於該患者之一或多個骨骼(例如遠端骨骼)內的潛在病變，且由該對應熱點子集表示；及 內臟(亦稱為遠端軟組織)轉移類別(例如「Mc」或「miMc」類別)，其鑑別位於該等局部腫瘤相關之組織區域外部之一或多個器官或其他非淋巴軟組織區域內的潛在病變，且由該對應熱點子集表示(例如其中該癌症為前列腺癌，且該內臟轉移類別鑑別表示位於該患者之骨盆外器官，諸如腦、肺、肝、脾及腎中之潛在病變之熱點)。
- 如請求項71至73中任一項之方法，其中該等病變類別標記包含一或多種鑑別特定器官或骨骼之組織標記，其中(由熱點表示之病變)經確定(例如基於該熱點與解剖分段圖之比較)位於該特定器官或骨骼(例如表1中所列之器官或骨骼區域中之一或多者)中。
- 如請求項71至74中任一項之方法，其中該一或多個個別熱點量化度量包括以下中之一或多者：最大強度、峰值強度、平均強度(例如SUV平均值)、病變體積，及病變指標。
- 一種量化及報導患有癌症及/或處於癌症風險之患者隨時間之疾病(例如腫瘤)進展及/或風險的方法，該方法包含： (a) 藉由計算器件之處理器獲得該患者之複數個醫學影像，各醫學影像表示在特定時間獲得之該患者的掃描(例如縱向資料集)； (b) 對於該等複數個醫學影像中之各特定者，藉由該處理器，偵測該特定醫學影像內之一或多個(例如複數個)熱點的對應集合，該醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中該3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 對於在特定時間量測(例如量化)患者內之整體疾病(例如腫瘤)負荷的一或多個(例如整體)患者指標中之各特定者，藉由該處理器，基於針對特定醫學影像偵測之該對應熱點集合，測定該等複數個醫學影像之各特定醫學影像的特定(例如整體)患者指標之值，由此針對一或多個患者指標中之各特定者測定追蹤疾病負荷變化之值集合，藉由隨時間對該特定患者指標值量測；及 (d) 藉由該處理器顯示該一或多個患者指標值之至少一部分(例如特定一者、特定子集)的值集合之圖形表示，由此傳達該患者隨時間疾病進展的量測值。
- 如請求項76之方法，其中該一或多個患者指標包含： 病變計數，其量化由對應於特定醫學影像且在特定醫學影像內(例如在特定時間點)偵測之熱點集合表示的(例如不同)病變之數目(例如計算為該對應熱點集合內熱點之數目)； 最大吸收值，其量化特定醫學影像之對應熱點集合內的最大吸收(例如計算為該特定醫學影像之對應熱點集合之熱點體積內所有立體像素的最大個別立體像素強度)； 平均吸收值，其量化該對應熱點集合內之整體平均吸收(例如計算為該對應集合之(總組合之)熱點體積內所有立體像素的整體平均強度)； 總體積病變體積，其量化在特定時間點在該個體內偵測之病變的總體積(例如計算為特定醫學影像內偵測之該對應熱點集合之所有個別熱點體積的總和)；及 強度加權之腫瘤體積(ILTV)評分(例如aPSMA評分)，以所有個別病變體積之加權總和計算，各個別病變體積加權(例如乘以)其強度之量測值[例如其中熱點強度之量測值為病變指標，基於與指示一或多個對應參考組織區域，諸如主動脈部分及肝臟內的生理(例如正常、非癌症相關)放射性藥品吸收之一或多個參考強度的比較而在標準化標度上量化熱點強度]。
- 如請求項76至77中任一項之方法，其進一步包含對於該等複數個醫學影像之各特定醫學影像，基於該對應熱點集合確定整體疾病階段(例如文數字編碼)且指示該患者在特定時間點之整體疾病狀態及/或負荷，且藉由該處理器呈現該等整體疾病階段(例如文數字編碼)在各時間點之圖形表示。
- 如請求項76至78中任一項之方法，其進一步包含： 對於該等複數個醫學影像中之各者，藉由該處理器測定一或多個參考強度值之集合，其各自指示該患者內之特定參考組織區域(例如主動脈部分；例如肝臟)內之放射性藥品之生理(例如正常、非癌症相關)吸收，且基於在該醫學影像內所鑑別之對應參考體積內的影像立體像素之強度計算；及 藉由該處理器呈現該一或多個參考強度值之表示(例如表；例如圖形中之軌跡)。
- 一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險的一或多個患者指標值的方法，該方法包含： (a) 藉由計算器件之處理器接收使用功能成像模態獲得之該個體的3D功能影像； (b) 藉由該處理器，將該3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示該個體內之潛在癌病變，由此獲得3D熱點體積之集合； (c) 藉由該處理器，對於一或多個個別熱點量化度量中之各特定者計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值，其中對於特定個別3D熱點體積，各熱點量化度量量化該特定3D熱點體積之特性(例如強度、體積等)且為(例如計算為)該特定3D熱點體積內個別立體像素之強度及/或數目的特定函數；及 (d) 藉由該處理器測定該一或多個患者指標值，其中至少一部分之該等患者指標各與一或多個特定個別熱點量化度量相關，且使用組合之熱點體積內立體像素之強度及/或數目的(例如同一)特定函數來計算，該組合之熱點體積包含3D熱點體積之集合的至少一部分(例如實質上所有；例如特定子集) (例如形成其聯集(union))。
- 一種用於自個體之一或多個醫學影像[例如一或多個PSMA PET影像(在向該個體投與PSMA靶向化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動測定患有前列腺癌之個體之預後的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之一或多個影像； (b) 藉由該處理器由該一或多個影像自動確定一或多個前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓(rib cage)等)；(iii)標準生理吸收值(standard physiological uptake value，SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之該等方法中之一或多者)；及 (c) 自(b)中之量化評估自動確定該個體之預後，其中該預後包含該個體的以下中之一或多者：(I)預期存活期(例如月數)、(II)預期疾病進展時間、(III)預期放射照相進展時間、(IV)同時(同步)轉移之風險，及(V)未來(異時(metachronous))轉移之風險。
- 如請求項81之方法，其中步驟(b)中所測定之該一或多種前列腺癌病變之量化評估包含以下中之一或多者：(A)總腫瘤體積、(B)腫瘤體積之變化、(C)總SUV，及(D) PSMA評分，且其中步驟(c)中所測定之該個體的預後包含以下中之一或多者：(E)預期存活期(例如月數)、(F)進展時間，及(G)放射照相進展時間。
- 如請求項81之方法，其中步驟(b)中所確定之該一或多種前列腺癌病變的量化評估包含前列腺中PSMA表現之一或多個特徵，且其中步驟(c)中所確定之該個體的預後包含同時(同步)轉移之風險及/或未來(異時)轉移之風險。
- 一種用於自個體之複數個醫學影像[例如一或多個PSMA PET影像(在向該個體投與靶向PSMA化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體對治療有反應的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之複數個影像，其中該等複數個影像中之至少第一影像係在投與該治療之前獲得且該等複數個影像中之至少第二影像係在投與該治療之後(例如在一段時間之後)獲得； (b) 藉由該處理器由該等影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分](例如使用本文所描述之該等方法中之一或多者) (例如其中該量化評估包含在PSMA成像(Response Evaluation Criteria in PSMA-imaging，RECIP)準則及/或PSMA PET進展(PPP)準則中之反應評估準則)；及 (c) 自(b)中之該量化評估自動確定該個體是否對該治療有反應(例如有反應/無反應)及/或該個體對該治療有反應的程度(例如數值或分類)。
- 一種使用個體之複數個醫學影像[例如一或多個PSMA PET影像(在向該個體投與靶向PSMA化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動鑑別患有前列腺癌(例如轉移性前列腺癌)之個體是否可能受益於前列腺癌之特定治療的方法，該方法包含： (a) 藉由計算器件之處理器接收及/或存取該個體之複數個影像； (b) 藉由該處理器由該等影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之該等方法中之一或多者) (例如其中該量化評估包含在PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則中之反應評估準則)；及 (c) 自(b)中之該量化評估自動確定該個體是否可能受益於前列腺癌之特定治療[例如測定該個體對於一或多種特定治療及/或一類治療，例如特定放射性配位體療法，例如鎦維匹泰德特拉歇坦(Pluvicto®)的合格性評分]。
- 一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險之一或多個患者指標值的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收使用功能成像模態獲得之該個體的3D功能影像； (b) 將該3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示該個體內之潛在癌病變，由此獲得3D熱點體積之集合； (c) 對於一或多個個別熱點量化度量中之各特定者，計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值；及 (d) 測定該一或多個患者指標之值，其中至少一部分該等患者指標各與一或多個特定個別熱點量化度量相關，且係針對該3D熱點體積集合所計算之該一或多個特定個別熱點量化度量值的至少一部分(例如實質上所有；例如特定子集)的函數。
- 一種用於自動分析個體之醫學影像[例如三維影像，例如核醫學影像(例如骨掃描(閃爍攝影術)、PET及/或SPECT)，例如解剖影像(例如CT、X射線、MRI)，例如組合之核醫學及解剖影像(例如重疊)]之時間序列的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收及/或存取該個體之醫學影像的時間序列；及 (b) 鑑別該等醫學影像中之各者內的複數個熱點，且藉由該處理器測定如下(i)、(ii)及(iii)中之一者、兩者或全部三者：(i)所鑑別病變之數目的變化，(ii)所鑑別病變之整體體積的變化(例如各所鑑別病變之體積總和的變化)，及(iii) PSMA (例如病變指標)加權之總體積(例如所關注區域中所有病變之病變指標與病變體積的乘積之總和)的變化[例如其中步驟(b)中所鑑別之變化用於鑑別(1)疾病狀態[例如進展、消退或無變化]，(2)作出治療管理決策[例如活性監測、前列腺切除術、抗雄激素療法、普賴松、放射、放射性療法、放射性PSMA療法或化學療法]，或(3)治療功效(例如其中該個體已開始治療或已按照醫學影像之時間序列中的初始影像集合用藥劑或其他療法繼續治療)] [例如其中步驟(b)包含使用機器學習模組/模型]。
- 一種用於分析個體之複數個醫學影像(例如以評估該個體內之疾病病況及/或進展)的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收及/或存取該個體之複數個醫學影像且藉由該處理器獲得複數個3D熱點圖，其各自對應於(該等複數個醫學影像之)特定醫學影像且鑑別該特定醫學影像內之一或多個熱點(例如表示該個體內可能的潛在身體病變)； (b) 對於該等複數個醫學影像之各特定影像(醫學影像)，使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別該特定醫學影像內之器官區域之集合[例如表示該個體內之軟組織及/或骨骼結構(例如一或多個頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖； (c) 使用(i)該等複數個3D熱點圖及(ii)該等複數個3D解剖分段圖來確定一或多個病變對應之鑑別，各(病變對應)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由該處理器)表示該個體內之同一潛在身體病變；及 (d) 基於該等複數個3D熱點圖及該一或多個病變對應之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)之可能性(例如總存活期)；例如預測度量(例如指示預測之對療法之反應及/或其他臨床結果)}之值。
- 一種用於分析個體之複數個醫學影像的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 獲得(例如接收及/或存取，及/或產生)該個體之第一3D熱點圖； (b) 獲得(例如接收及/或存取，及/或產生)與該第一3D熱點圖相關之第一3D解剖分段圖； (c) 獲得(例如接收及/或存取，及/或產生)該個體之第二3D熱點圖； (d) 獲得(例如接收及/或存取，及/或產生)與該第二3D熱點圖相關之第二3D解剖分段圖； (e) 使用/基於該第一3D解剖分段圖及該第二3D解剖分段圖確定配準場域(例如3D配準場域及/或逐點配準)； (f) 使用該配準場域將該第一3D熱點圖與該第二3D熱點圖配準，由此產生3D熱點圖之共配準對； (g) 使用該3D熱點圖之共配準對確定一或多個病變對應之鑑別；及 (f) 儲存及/或提供該一或多個病變對應之鑑別以用於顯示及/或進一步處理。
- 一種用於分析個體之複數個醫學影像(例如以評估該個體內之疾病病況及/或進展)的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收及/或存取該個體之複數個醫學影像； (b) 對於該等複數個醫學影像之各特定影像(醫學影像)，使用機器學習模組[例如深度學習網路(例如卷積類神經網路(CNN))]來確定對應3D解剖分段圖，其鑑別該特定醫學影像內之器官區域之集合[例如表示該個體內之軟組織及/或骨骼結構(例如一或多個頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左股骨；右股骨；頭骨、腦及下頜骨)]，由此生成複數個3D解剖分段圖； (c) 使用該等複數個3D解剖分段圖確定一或多個配準場域(例如全3D配準場域；例如逐點配準)且應用該一或多個配準場域以配準該等複數個醫學影像，由此產生複數個配準之醫學影像； (d) 針對該等複數個配準之醫學影像中之各特定者，確定鑑別該特定配準之醫學影像內的一或多個熱點(例如表示該個體內可能的潛在身體病變)的對應配準之3D熱點圖，由此產生複數個配準之3D熱點圖； (e) 使用該等複數個3D配準之熱點圖確定一或多個病變對應之鑑別，各(病變對應)鑑別不同醫學影像內之兩個或更多個對應熱點且經確定(例如藉由該處理器)表示該個體內之同一潛在身體病變；及 (d) 基於該等複數個3D熱點圖及該一或多個病變對應之鑑別來測定一或多個度量{例如一或多個熱點量化度量及/或其中之變化[例如量化個別熱點及/或其所表示之潛在身體病變(例如隨時間/在多個醫學影像之間)的特性，例如體積、放射性藥品吸收、形狀等之變化]；例如患者指標(例如量測個體之整體疾病負荷及/或病況及/或風險)及/或其變化；例如對患者分類(例如屬於及/或患有特定疾病病況、進展等類別)之值，例如預後度量[例如指示及/或量化一或多種臨床結果(例如疾病病況、進展、可能存活期、治療功效及其類似者)(例如總存活期)；例如預測度量(例如指示預測之對療法之反應及/或其他臨床結果)}之值。
- 一種用於分析個體之複數個醫學影像的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 獲得(例如接收及/或存取，及/或產生)該個體之第一3D解剖影像(例如CT、X射線、MRI等)及第一3D功能影像[例如核醫學影像(例如PET、SPECT等)]； (b) 獲得(例如接收及/或存取，及/或產生)該個體之第二3D解剖影像及第二3D功能影像； (c) 基於(例如使用)該第一3D解剖影像獲得(例如接收及/或存取，及/或產生)第一3D解剖分段圖； (d) 基於(例如使用)該第二3D解剖影像獲得(例如接收及/或存取，及/或產生)第二3D解剖分段圖； (e) 使用/基於該第一3D解剖分段圖及該第二3D解剖分段圖確定配準場域(例如3D配準場域及/或逐點配準)； (f) 使用該3D配準場域將該第二3D功能影像與第一3D功能影像配準(對準)，由此產生該第二3D功能影像之配準版本； (g) 獲得與該第一功能影像相關之第一3D熱點圖； (h) 使用該第二3D功能影像之配準版本確定第二3D熱點圖，該第二3D熱點圖由此與該第一3D熱點圖配準； (g) 使用該第一3D熱點圖及與其配準之該第二3D熱點圖確定一或多個病變對應之鑑別；及 (f) 儲存及/或提供該一或多個病變對應之鑑別以用於顯示及/或進一步處理。
- 一種自動或半自動全身評估患有轉移性前列腺癌[例如轉移性耐去勢性前列腺癌(mCRPC)或轉移性激素敏感性前列腺癌(mHSPC)]之個體以評估疾病進展及/或治療功效的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收該個體之第一靶向前列腺特異性膜抗原(PSMA)的正電子發射斷層攝影術(PET)影像(第一PSMA-PET影像)及該個體之第一3D解剖影像[例如電腦斷層攝影術(CT)影像；例如磁共振影像(MRI)]，其中該個體之第一3D解剖影像與該第一PSMA PET影像同時或緊接在其之後或緊接在其之前(例如與其在同一日期)獲得，使得該第一3D解剖影像及該第一PSMA PET影像對應於第一日期，且其中該等影像描繪該個體身體之足夠大的區域以涵蓋轉移性前列腺癌已擴散至的身體區域(例如涵蓋多個器官之完整軀幹影像或全身影像) {例如其中該等PSMA-PET影像係使用PYLARIFY®、F-18 piflufolastat PSMA (亦即，2-(3-{1-羧基-5-[(6-[18F]氟-吡啶-3-羰基)胺基]-戊基}脲基)-戊二酸，亦稱為[18F]F-DCFPyL)，或Ga-68 PSMA-11，或其他放射性標記之前列腺特異性膜抗原抑制劑成像劑獲得}； (b) 接收該個體之第二PSMA-PET影像及該個體之第二3D解剖影像，兩者均在該第一日期之後的第二日期獲得； (c) 使用在該第一3D解剖影像及該第二3D解剖影像內自動鑑別之地標(例如所鑑別區域表示頸椎；胸椎；腰椎；左側及右側髖骨、骶骨及尾骨；左側肋骨及左側肩胛骨；右側肋骨及右側肩胛骨；左側股骨；右側股骨；頭骨、腦及下頜骨中之一或多者)自動確定配準場域(例如全3D配準場域；例如逐點配準)，及藉由該處理器，使用確定之配準場域來對準該第一PSMA-PET影像及該第二PSMA-PET影像[例如在將該等CT及/或PSMA-PET影像分段以鑑別器官及/或骨骼的邊界之前或之後，及在自該等PSMA-PET影像進行自動熱點(例如病變)偵測之前或之後]；及 (d) 使用由此對準之該第一PSMA-PET影像及該第二PSMA-PET影像以自動偵測(例如分期及/或量化)該疾病自該第一日期至該第二日期之變化(例如進展或緩解) [例如自動鑑別及/或按原樣鑑別(例如標示、標記)如下(i)及(ii)中之一者或兩者：(i)病變數目之變化{例如一或多種新病變(例如器官特異性病變)，或一或多種病變(例如器官特異性)之消除}，及(ii)腫瘤尺寸之變化{例如腫瘤尺寸之增加(PSMA-VOL增加/降低)，例如總腫瘤尺寸，或腫瘤尺寸之降低(PSMA-VOL降低)} {例如一或多種特定病變之各體積的變化，或特定類型病變(例如器官特異性腫瘤)之整體體積的變化，或鑑別病變之總體積的變化}。
- 一種量化及報導患有癌症及/或處於癌症風險之患者之疾病(例如腫瘤)負荷的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 獲得該患者之醫學影像； (b) 偵測該醫學影像內之一或多個(例如複數個)熱點，該醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 對於表示特定組織區域及/或病變子類型之複數個病變類別的各特定病變類別： 鑑別該一或多個熱點之對應子集為屬於該特定病變類別(例如基於藉由該處理器進行確定，該熱點表示位於特定組織區域內及/或屬於該特定病變類別所表示之特定病變子類型的潛在身體病變)；及 基於該熱點之對應子集來測定量化該特定病變類別內及/或與該特定病變類別相關之疾病(例如腫瘤)負荷的一或多個患者指標之值；及 (e) 呈現針對該等複數個病變類別中之各者所計算的該等患者指標值之圖形表示(例如列出各病變類別及針對各病變類別所計算之該等患者指標值的概述表)，由此提供使用者概述特定組織區域內及/或與特定病變子類型相關之腫瘤負荷的圖形報告。
- 一種基於患有癌症及/或處於癌症風險之患者的成像評估來表徵及報導所偵測之個別病變的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 獲得該患者之醫學影像； (b) 偵測該醫學影像內之一或多個(例如複數個)熱點的集合，該醫學影像內之該集合的各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 將一或多個病變類別標記分配至該集合的一或多個熱點中之各者，各病變類別標記類別表示特定組織區域及/或病變子類型且將該熱點鑑別為表示位於該特定組織區域內之潛在病變及/或屬於該病變子類型； (d) 針對一或多個個別熱點量化度量中之各特定者計算該集合之各個別熱點的特定個別熱點量化度量之值；及 (e) 顯示圖形表示，對於該集合之熱點之至少一部分的各特定熱點包含該特定熱點之鑑別(例如表中之一列，且視情況文數字鑑別，諸如鑑別該特定熱點之數目)，以及分配至該特定熱點之一或多個病變類別標記及針對該特定熱點所計算之該一或多個個別熱點量化度量之值[例如概述表(例如可滾動概述表)，將各個別熱點以一列且該等分配之病變類別及熱點量化度量以行列出]。
- 一種用於量化及報導患有癌症及/或處於癌症風險之患者隨時間之疾病(例如腫瘤)進展及/或風險的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 獲得該患者之複數個醫學影像，各醫學影像表示在特定時間所獲得之該患者的掃描(例如縱向資料集)； (b) 對於該等複數個醫學影像中之各特定者，偵測該特定醫學影像內之一或多個(例如複數個)熱點的對應集合，該醫學影像內之各熱點對應於(例如為或包含)特定3D體積[例如3D熱點體積；例如其中3D熱點體積之立體像素相對於其周圍具有升高之強度(例如及/或其他指示或增加之放射性藥品吸收)]且表示該個體內可能的潛在身體病變； (c) 對於量測(例如量化)在特定時間之患者內之整體疾病(例如腫瘤)負荷的一或多個(例如整體)患者指標中之各特定者，基於針對特定醫學影像所偵測之該對應熱點集合，測定該等複數個醫學影像之各特定醫學影像的特定(例如整體)患者指標之值，由此針對該等一或多個患者指標中之各特定者測定追蹤疾病負荷變化之值集合，藉由隨時間對該特定患者指標值量測；及 (d) 顯示該一或多個患者指標值之至少一部分(例如特定一者、特定子集)的值集合之圖形表示，由此傳達該患者隨時間疾病進展的量測值。
- 一種用於自動處理個體之3D影像以測定量測個體之(例如整體)疾病負荷及/或風險之一或多個患者指標值的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收使用功能成像模態所獲得之該個體的3D功能影像； (b) 將該3D功能影像內之複數個3D熱點體積分段，各3D熱點體積對應於相對於其周圍具有升高之強度的局部區域且表示該個體內之潛在癌病變，由此獲得3D熱點體積之集合； (c) 對於一或多個個別熱點量化度量中之各特定者，計算該集合之各個別3D熱點體積的特定個別熱點量化度量之值，其中對於特定個別3D熱點體積，各熱點量化度量量化該特定3D熱點體積之特性(例如強度、體積等)且為(例如經計算為)該特定3D熱點體積內個別立體像素之強度及/或數目的特定函數；及 (d) 測定該一或多個患者指標之值，其中至少一部分該等患者指標各與一或多個特定個別熱點量化度量相關，且使用組合之熱點體積內之立體像素強度及/或數目的(例如同一)特定函數來計算，該組合之熱點體積包含3D熱點體積之集合的至少一部分(例如實質上所有；例如特定子集) (例如形成其聯集)。
- 一種用於自個體之一或多個醫學影像[例如一或多個PSMA PET影像(在向該個體投與靶向PSMA化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體之預後的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收及/或存取該個體之一或多個影像； (b) 自該一或多個影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準吸收值(standard uptake value，SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之該等方法中之一或多者)；及 (c) 自(b)中之該量化評估自動確定該個體之預後，其中該預後包含該個體的以下中之一或多者：(I)預期存活期(例如月數)、(II)預期疾病進展時間、(III)預期放射照相進展時間、(IV)同時(同步)轉移之風險，及(V)未來(異時)轉移之風險。
- 如請求項97之系統，其中步驟(b)中確定之該一或多種前列腺癌病變的量化評估包含以下中之一或多者：(A)總腫瘤體積、(B)腫瘤體積之變化、(C)總SUV及(D) PSMA評分，且其中步驟(c)中確定之該個體的預後包含以下中之一或多者：(E)預期存活期(例如月數)、(F)進展時間及(G)放射照相進展時間。
- 如請求項97之系統，其中步驟(b)中確定之該一或多種前列腺癌病變的量化評估包含前列腺中PSMA表現之一或多個特徵，且其中步驟(c)中確定之該個體的預後包含同時(同步)轉移之風險及/或未來(異時)轉移之風險。
- 一種用於自個體之複數個醫學影像[例如一或多個PSMA PET影像(在向該個體投與靶向PSMA化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動確定患有前列腺癌之個體對治療之反應的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 藉由計算器件之處理器接收及/或存取該個體之複數個影像，其中該等複數個影像中之至少第一影像係在投與該治療之前獲得且該等複數個影像中之至少第二影像係在投與該治療之後(例如在一段時間之後)獲得； (b) 自該等影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之該等方法中之一或多者) (例如其中該量化評估包含在PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則中之反應評估準則)；及 (c) 自(b)中之該量化評估自動確定該個體是否對該治療有反應(例如有反應/無反應)及/或該個體對該治療有反應的程度(例如數值或分類)。
- 一種使用個體之複數個醫學影像[例如一或多個PSMA PET影像(在向該個體投與靶向PSMA化合物時獲得之PET影像)及/或一或多個解剖(例如CT)影像]自動鑑別患有前列腺癌(例如轉移性前列腺癌)之個體是否可能受益於前列腺癌之特定治療的系統，該系統包含： 計算器件之處理器；及 在其上儲存有指令之記憶體，其中該等指令由該處理器執行時，使該處理器： (a) 接收及/或存取該個體之複數個影像； (b) 自該等影像自動確定一或多種前列腺癌病變(例如轉移性前列腺癌病變)之量化評估[例如其中該量化評估包含一或多個選自由以下組成之群的成員：(i)局部(T)、骨盆結節(N)及/或外骨盆(M)疾病之分子成像TNM (miTNM)病變類型分類(例如miT、miN、miMa (淋巴)、miMb (骨)、miMc (其他))；(ii)指示病變位置(例如前列腺、髂、骨盆骨、肋廓等)；(iii)標準生理吸收值(SUV) (例如SUV最大值、SUV峰值、SUV平均值)；(iv)總病變體積；(v)病變體積(例如個別病變及/或總病變)之變化；及(vi)計算之PSMA (aPSMA)評分] (例如使用本文所描述之該等方法中之一或多者) (例如其中該量化評估包含在PSMA成像(RECIP)準則及/或PSMA PET進展(PPP)準則中之反應評估準則)；及 (c) 自(b)中之該量化評估自動確定該個體是否可能受益於前列腺癌之特定治療[例如針對該個體測定一或多種特定治療及/或一類治療，例如特定放射性配位體療法，例如鎦維匹泰德特拉歇坦(Pluvicto®)的合格性評分]。
- 一種治療劑，其用於治療(例如經由該治療劑之多個週期)患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於風險之個體，該個體已(i)投與該治療劑之第一週期且(例如在該治療劑之第一週期之前及/或期間及/或之後)成像，(ii)使用如請求項1至52中任一項之方法而被鑑別為對該治療劑有反應者(例如基於使用如請求項1至52中任一項之方法測定的該一或多個風險指標之值，該個體已被鑑別/分類為有反應者)。
- 一種第二(例如第二線)治療劑，其用於治療患有特定疾病(例如前列腺癌(例如轉移性耐去勢性前列腺癌))及/或處於風險之個體，該個體已(i)投與初始、第一治療劑之週期且(例如在該第一治療劑之週期之前及/或期間及/或之後)成像，及(ii)使用如請求項1至52中任一項之方法而被鑑別為對該第一治療劑之無反應者(例如基於使用如請求項1至52中任一項之方法測定的該一或多個風險指標之值，該個體已被鑑別/分類為無反應者) (例如由此使該個體接受可能更有效的療法)。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202263350211P | 2022-06-08 | 2022-06-08 | |
| US63/350,211 | 2022-06-08 | ||
| US202363458031P | 2023-04-07 | 2023-04-07 | |
| US63/458,031 | 2023-04-07 | ||
| US202363461486P | 2023-04-24 | 2023-04-24 | |
| US63/461,486 | 2023-04-24 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202414429A true TW202414429A (zh) | 2024-04-01 |
Family
ID=87060535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112121494A TW202414429A (zh) | 2022-06-08 | 2023-06-08 | 評估疾病負荷及進展之系統及方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230410985A1 (zh) |
| TW (1) | TW202414429A (zh) |
| WO (1) | WO2023239829A2 (zh) |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
| US8562945B2 (en) | 2008-01-09 | 2013-10-22 | Molecular Insight Pharmaceuticals, Inc. | Technetium- and rhenium-bis(heteroaryl) complexes and methods of use thereof |
| PT2318366T (pt) | 2008-08-01 | 2017-08-02 | Univ Johns Hopkins | Agentes de ligação a psma e suas utilizações |
| CN102272101A (zh) | 2008-12-05 | 2011-12-07 | 分子制药洞察公司 | 用于癌症治疗和成像的ca-ix特异性放射性药物 |
| JP6170284B2 (ja) * | 2012-06-22 | 2017-07-26 | 富士フイルムＲｉファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
| HRP20220671T1 (hr) | 2018-03-16 | 2022-09-02 | Universität Zu Köln | Derivati lys-c(o)-glu supstituirani 2-alkoksi-6-[18f]fluornikotinoilom kao sonde djelotvorne u vizualizaciji tkiva koja eksprimiraju psma |
| EP3909014A1 (en) | 2019-01-07 | 2021-11-17 | Exini Diagnostics AB | Systems and methods for platform agnostic whole body image segmentation |
| US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11721428B2 (en) * | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
| EP4176377A1 (en) * | 2020-07-06 | 2023-05-10 | Exini Diagnostics AB | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
| CA3231578A1 (en) | 2021-10-08 | 2023-04-13 | Exini Diagnostics Ab | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases |
-
2023
- 2023-06-08 TW TW112121494A patent/TW202414429A/zh unknown
- 2023-06-08 WO PCT/US2023/024778 patent/WO2023239829A2/en unknown
- 2023-06-08 US US18/207,246 patent/US20230410985A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230410985A1 (en) | 2023-12-21 |
| WO2023239829A4 (en) | 2024-06-13 |
| WO2023239829A2 (en) | 2023-12-14 |
| WO2023239829A3 (en) | 2024-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11941817B2 (en) | Systems and methods for platform agnostic whole body image segmentation | |
| US11937962B2 (en) | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases | |
| US11386988B2 (en) | Systems and methods for deep-learning-based segmentation of composite images | |
| TWI835768B (zh) | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 | |
| US11721428B2 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
| CN109844865B (zh) | 用于医学图像分析的网络、决策支持系统和相关图形用户界面(gui)应用 | |
| US11948283B2 (en) | Systems and methods for interactive adjustment of intensity windowing in nuclear medicine images | |
| CN116134479A (zh) | 用于检测及表征化病变的基于人工智能的图像分析系统及方法 | |
| US20230115732A1 (en) | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases | |
| TW202414429A (zh) | 評估疾病負荷及進展之系統及方法 |